使用RandomForestRegressor构建餐厅推荐器时特征维度不匹配问题求助

核心问题 #

训练时模型接收的是2924维特征，但你手动构造的输入仅8维，维度不匹配导致报错。本质是训练时的独热编码覆盖了更多类别/特征，而预测时仅手动生成少量类别对应的特征，缺失了大量训练时存在的哑变量列。

解决步骤 #

1. 复用训练时的完整预处理管道 #

不要手动构造独热编码，应保存训练时使用的完整预处理工具（如ColumnTransformer），而非仅保存StandardScaler。

训练时的标准预处理示例（需匹配你的实际训练代码）：

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.ensemble import RandomForestRegressor
import joblib

# 定义分类、数值特征列（需和训练数据列名一致）
categorical_features = ['location', 'type']
numeric_features = ['cost', 'votes']

# 构建预处理管道：分类特征独热编码，数值特征标准化
preprocessor = ColumnTransformer(
    transformers=[
        ('cat', OneHotEncoder(handle_unknown='ignore'), categorical_features),
        ('num', StandardScaler(), numeric_features)
    ])

# 整合预处理和模型为完整管道
model_pipeline = Pipeline(steps=[
    ('preprocessor', preprocessor),
    ('regressor', RandomForestRegressor())
])

# 训练并保存整个管道
model_pipeline.fit(X_train, y_train)
joblib.dump(model_pipeline, 'full_model_pipeline.pkl')

2. 预测时用保存的管道处理输入 #

直接通过完整管道处理输入，确保特征维度与训练时完全一致：

import joblib
import pandas as pd

# 加载完整模型管道
model_pipeline = joblib.load('full_model_pipeline.pkl')

def preprocess_input(location, type_, cost, votes):
    # 用DataFrame构造输入，列名必须和训练时一致
    return pd.DataFrame({
        'location': [location],
        'type': [type_],
        'cost': [cost],
        'votes': [votes]
    })

input_data = preprocess_input('Whitefield', 'Casual Dining', 1000, 500)
prediction = model_pipeline.predict(input_data)

print(f"Predicted restaurant rating: {prediction[0]}")

3. 若已分开保存预处理组件 #

如果之前已单独保存训练时的OneHotEncoder，预测时需用它生成完整独热编码，而非手动编写：

import joblib
import numpy as np
import pandas as pd

# 加载训练时的编码器、标准化器和模型
encoder = joblib.load('onehot_encoder.pkl')
scaler = joblib.load('scaler.pkl')
model = joblib.load('my_model.pkl')

def preprocess_input(location, type_, cost, votes):
    # 处理分类特征
    cat_df = pd.DataFrame({'location': [location], 'type': [type_]})
    one_hot_features = encoder.transform(cat_df).toarray()
    
    # 处理数值特征
    scaled_num_features = scaler.transform([[cost, votes]])
    
    # 拼接所有特征
    return np.hstack([one_hot_features, scaled_num_features])

input_data = preprocess_input('Whitefield', 'Casual Dining', 1000, 500)
prediction = model.predict(input_data)
print(f"Predicted restaurant rating: {prediction[0]}")

关键注意事项 #

• 训练时的所有预处理逻辑（独热编码的类别集合、特征顺序、标准化的均值/方差）必须与预测时完全一致，禁止手动修改。
• 若训练数据包含其他特征（如截图中的cuisines、online_order等），预测时需补充这些特征的合理默认值（如online_order设为0或1），否则维度仍会不匹配。

内容的提问来源于stack exchange，提问作者Carl Jacob