使用Streamlit部署情感分析模型时遭遇ValueError问题求助

嘿，我完全懂你这种摸不着头脑的感觉——明明严格照着训练时的流程来做，怎么放到Streamlit里就跑不通了呢？别着急，我帮你揪出代码里的几个关键问题：

问题根源分析 #

1. TF-IDF向量器不匹配：你在部署代码里重新初始化了TfidfVectorizer并调用fit_transform(Xtrain)，这会生成一个和训练模型时完全不同的词汇表！训练好的模型只认识它训练时用的那个TF-IDF向量器生成的特征，新拟合的向量器特征维度、词汇对应关系都变了，自然会预测失败。
2. 输入格式错误：Streamlit的st.text_input返回的是单个字符串，直接传给tf.transform()的话，它会把字符串的每个字符当成一个独立样本来处理，这显然不是你想要的，维度完全对不上。

修复后的代码 #

先确保你在训练模型的时候，把当时用的TF-IDF向量器也保存下来了（训练阶段要加这行）：

# 训练阶段执行的保存步骤（你之前可能漏了这个）
joblib.dump(tf, 'tfidf_vectorizer.pkl')

然后修改你的Streamlit部署代码：

import streamlit as st
import numpy as np
import pickle
from sklearn.svm import LinearSVC
from sklearn.feature_extraction.text import TfidfVectorizer
import joblib
import pandas as pd

# 这里只需要加载保存好的模型和TF-IDF向量器，不需要重新加载数据集拟合！
model = joblib.load('model.pkl')
tf = joblib.load('tfidf_vectorizer.pkl')  # 加载训练时用的向量器

st.title('Analisis Sentimen')
txt = st.text_input('masukkan teks yang ingin dianalisis')

# 只有当用户输入文本后才执行预测，避免空输入报错
if txt:
    # 把单个字符串转成列表，符合TF-IDF transform的输入要求
    txt_input = [txt]
    # 用训练好的向量器转换输入文本，不需要转成DataFrame
    txt_vector = tf.transform(txt_input)
    # 直接用向量预测
    pred = model.predict(txt_vector)
    print(pred)
    st.write(pred)

额外说明 #

• 为什么不需要重新加载数据集？因为训练时的TF-IDF向量器已经保存了所有需要的词汇信息，部署时不需要再碰训练数据，既节省资源又避免引入不一致性。
• 加个if txt:判断是为了防止用户还没输入文本就触发预测，导致空输入的错误。

这样修改后，应该就能正常运行啦！

备注：内容来源于stack exchange，提问作者krsnbcd