np.hstackでのValueError: all the input arrays must have same number of dimensionsの解決策

質問内容

mainのプログラムを動かしたときに
以下のエラーメッセージの解決策を教えていただきたいです.
何卒よろしくおねがいします.

エラーメッセージ

Traceback (most recent call last):
  File "ensemble_learning.py", line 199, in <module>
    kdd_test = np.hstack((kdd_test, kdd_labeled_test))
  File "/home/shiomoto-lab/.pyenv/versions/anaconda3-4.4.0/lib/python3.6/site-packages/numpy/core/shape_base.py", line 340, in hstack
    return _nx.concatenate(arrs, 1)
ValueError: all the input arrays must have same number of dimensions

mainのソースコード

import os
import sys
#モジュール検索パスを追加
sys.path.append(os.path.dirname(os.path.abspath(__file__)) + '/../script')

#モジュール検索パス対象モジュール群
from kdd_load_2classes import *
from dataset_class import *

import pandas as pd
import numpy as np
import re
import sklearn
import xgboost as xgb # 勾配ブースティング
import seaborn as sns # クリエイティブなグラフ
import matplotlib.pyplot as plt

import plotly.offline as py
import plotly.graph_objs as go
import plotly.tools as tls

# Going to use these 5 base models for the stacking
from sklearn.ensemble import (RandomForestClassifier, AdaBoostClassifier, 
                              GradientBoostingClassifier, ExtraTreesClassifier)
from sklearn.svm import SVC
from sklearn.model_selection import KFold

# ##################################
# #Load data and create Data loaders
# ##################################
def load_data():

    #"kdd_load_2classes.py"からTrain,Testデータを取得
    print('### Loading Data.....###')
    kdd_label, kdd_data, kdd_label_test, kdd_data_test =kdd_load()

    #"dataset_class.py"を使用してデータを格納
    #各クラスの一定割合をラベル付きデータとする
    dataset = Dataset(train=(kdd_data, kdd_label),
    test=(kdd_data_test, kdd_label_test),
    num_classes = 2,percent = 1.0)

    print("#labeled----------------:	{}".format(dataset.get_num_labeled_data()))
    print("#unlabeled--------------:	{}".format(dataset.get_num_unlabeled_data()))

    images_labeled, labels = dataset.get_labeled_data()
    #images_unlabeled, unlabels = dataset.get_unlabeled_data()

    #unlabels = np.full(len(unlabels), -1) #ラベル無しデータに関してはラベルを-1とする

    images_test , labels_test = dataset.get_test_data()

    total = 0
    print("#labeledDataCount--------------")

    #ラベル0,1,それぞれの枚数を表示
    for i in range(2):
        print("{}:{}".format(i,np.sum(labels == i)))
        total += np.sum(labels == i)

    print('### Finish Loading ###')
    return images_labeled, labels, images_test, labels_test

#train,testデータの取得
kdd_train, kdd_labeled_train, kdd_test, kdd_labeled_test = load_data()

# #####################################
# #Ensembling & Stacking models
# #####################################
#スタッキングアンサンブルモデルを作成する
###Helper via Python Classes
'''
Pythonで先に学習・予測するためのクラスを定義しておく.
'''
# パラメータ
ntrain = kdd_train.shape[0] #125973
ntest = kdd_test.shape[0] #22544
SEED = 0
NFOLDS = 1024 # 1024分割
kf = KFold(n_splits=NFOLDS, random_state=SEED)

# Sklearn分類機を拡張
class SklearnHelper(object):
    def __init__(self, clf, seed=0, params=None):
        params['random_state'] = seed
        self.clf = clf(**params)

    def train(self, x_train, y_train):
        self.clf.fit(x_train, y_train)

    def predict(self, x):
        return self.clf.predict(x)

    def fit(self,x,y):
        return self.clf.fit(x,y)

    def feature_importances(self,x,y):
        print(self.clf.fit(x,y).feature_importances_)

###Out-of-Fold Predictions
'''
スタッキングでは,第二モデルの学習データに,第一のベースモデルの予測が使用される.
しかし,全ての学習・テストデータを一度に使ってしまうと,
ベースモデルが既にテストデータを見た状態にあるため,
第二モデルでオーバーフィットするリスクがある.
そのため,交差検証を施す.
'''
def get_oof(clf, x_train, y_train, x_test):
    oof_train = np.zeros((ntrain,))
    oof_test = np.zeros((ntest,))
    oof_test_skf = np.empty((NFOLDS, ntest))

    for i, (train_index, test_index) in kf.split(ntrain): # NFOLDS回まわる
        x_tr = x_train[train_index]
        y_tr = y_train[train_index]
        x_te = x_train[test_index]

        clf.train(x_tr, y_tr)

        oof_train[test_index] = clf.predict(x_te)
        oof_test_skf[i, :] = clf.predict(x_test)

    oof_test[:] = oof_test_skf.mean(axis=0)
    return oof_train.reshape(-1, 1), oof_test.reshape(-1, 1)

# #####################################
# #Generating our Base First-Level Models
# #####################################
###Parameters
'''
パラメータの一部をリストアップする.

n_jobs：コア数.-1にすると全てのコア.
n_estimators：学習モデルの分類木の数.デフォルトは10.
max_depth：木の最大深度.あまりに大きすぎるとオーバーフィットする.
verbose：学習プロセス中にテキストを出力するか.0なら出力しない.3なら繰り返し出力する.
'''
# 各モデルのパラメータ
# Random Forest
rf_params = {
    'n_jobs': -1,
    'n_estimators': 500,
     'warm_start': True, 
     #'max_features': 0.2,
    'max_depth': 6,
    'min_samples_leaf': 2,
    'max_features' : 'sqrt',
    'verbose': 0
}

# Extra Trees
et_params = {
    'n_jobs': -1,
    'n_estimators':500,
    #'max_features': 0.5,
    'max_depth': 8,
    'min_samples_leaf': 2,
    'verbose': 0
}

# AdaBoost
ada_params = {
    'n_estimators': 500,
    'learning_rate' : 0.75
}

# Gradient Boosting
gb_params = {
    'n_estimators': 500,
     #'max_features': 0.2,
    'max_depth': 5,
    'min_samples_leaf': 2,
    'verbose': 0
}

# Support Vector Classifier 
svc_params = {
    'kernel' : 'linear',
    'C' : 0.025
    }

'''
さらに,Helpers via Python Classesで作成したクラスを用いて,
5つの学習モデルのオブジェクトを作成する.
'''

# 5つの学習モデルのオブジェクトを作成
rf = SklearnHelper(clf=RandomForestClassifier, seed=SEED, params=rf_params)
et = SklearnHelper(clf=ExtraTreesClassifier, seed=SEED, params=et_params)
ada = SklearnHelper(clf=AdaBoostClassifier, seed=SEED, params=ada_params)
gb = SklearnHelper(clf=GradientBoostingClassifier, seed=SEED, params=gb_params)
svc = SklearnHelper(clf=SVC, seed=SEED, params=svc_params)

###Creating NumPy arrays out of our train and test sets
'''
ベースモデルへの入力用データをNumPy配列で準備する.
'''
kdd_labeled_test = np.reshape(22544,1)
#testデータを連結
kdd_test = np.hstack((kdd_test, kdd_labeled_test))

###Output of the First level Predictions
'''
学習データとテストデータを5つのベースモデルに送り,
交差検証(get_oof関数)を行い,予測を行う.
'''
# 5つのベースモデルで予測
et_oof_train, et_oof_test = get_oof(et, kdd_train, kdd_labeled_train, kdd_test) # Extra Trees Classifier
rf_oof_train, rf_oof_test = get_oof(rf,kdd_train, kdd_labeled_train, kdd_test) # Random Forest Classifier
ada_oof_train, ada_oof_test = get_oof(ada, kdd_train, kdd_labeled_train, kdd_test) # AdaBoost Classifier
gb_oof_train, gb_oof_test = get_oof(gb,kdd_train, kdd_labeled_train, kdd_test) # Gradient Boost Classifier
svc_oof_train, svc_oof_test = get_oof(svc,kdd_train, kdd_labeled_train, kdd_test) # Support Vector Classifier

print("Training is complete")

###Feature importances generated from the different classifiers
'''
予測に関わる特徴の重要度を見る.
'''
rf_feature = rf.feature_importances(kdd_train,kdd_labeled_train)
et_feature = et.feature_importances(kdd_train,kdd_labeled_train)
ada_feature = ada.feature_importances(kdd_train,kdd_labeled_train)
gb_feature = gb.feature_importances(kdd_train,kdd_labeled_train)

試したこと

元々(22544,)だったkdd_labeled_testを(22544,1)にreshapeした
kdd_testとkdd_labeled_testをprintした

-----kdd_test-----
[[0.0000000e+00 0.0000000e+00 0.0000000e+00 ... 0.0000000e+00
  0.0000000e+00 0.0000000e+00]
 [0.0000000e+00 0.0000000e+00 0.0000000e+00 ... 0.0000000e+00
  0.0000000e+00 0.0000000e+00]
 [3.4653036e-05 2.0665127e-04 0.0000000e+00 ... 0.0000000e+00
  0.0000000e+00 0.0000000e+00]
 ...
 [0.0000000e+00 8.6811680e-04 6.1771553e-03 ... 0.0000000e+00
  0.0000000e+00 0.0000000e+00]
 [0.0000000e+00 6.6851680e-07 3.1205258e-05 ... 0.0000000e+00
  0.0000000e+00 0.0000000e+00]
 [0.0000000e+00 0.0000000e+00 0.0000000e+00 ... 0.0000000e+00
  0.0000000e+00 0.0000000e+00]]
-----kdd_labeled_test-----
[22544]