机器学习模型训练时特征名称不匹配报错求助

问题现象 #

训练KNeighborsClassifier模型时，执行fit后调用score传入x_test和y_test，触发ValueError：

The feature names should match those that were passed during fit. Feature names seen at fit time, yet now missing:

错误原因分析 #

1. 缺失值处理未生效：定义了fill_missing_values函数，但实际处理的是原始train数据集，而非拆分后的x_train和x_test，导致后续建模用的特征数据仍存在缺失。
2. 独热编码不一致：分别对x_train和x_test执行pd.get_dummies，两个数据集的类别特征取值可能存在差异，生成的特征列数量、名称无法匹配，这是特征不匹配的核心原因。
3. 任务类型与模型不匹配：SalePrice是连续型房价数据，属于回归任务，但使用了分类模型KNeighborsClassifier，还错误地对目标变量y_train、y_test做了独热编码，完全偏离任务需求。

修正方案与代码 #

修正思路 #

• 回归任务改用KNeighborsRegressor模型
• 基于训练集统计量填充缺失值，避免数据泄露
• 合并训练/测试集后做独热编码，保证特征一致性

修正后代码 #

## 首个个人机器学习项目
import pandas as pd 
import numpy as np 
import matplotlib.pyplot as plt 
import sklearn

from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsRegressor  # 替换为回归模型
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.model_selection import RandomizedSearchCV, GridSearchCV
from sklearn.metrics import confusion_matrix, classification_report
from sklearn.metrics import precision_score, recall_score, f1_score
from sklearn.metrics import mean_absolute_error, mean_squared_error  # 回归评估指标

# 读取数据
train = pd.read_csv("/Users/ahmeteminguney/Desktop/house/train.csv")
home_test = pd.read_csv("/Users/ahmeteminguney/Desktop/house/test.csv")
home_result = pd.read_csv("/Users/ahmeteminguney/Desktop/house/sample_submission.csv")

# 拆分特征与目标变量
x = train.drop("SalePrice", axis=1)
y = train["SalePrice"]

# 划分训练集与测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)

# 识别所有存在缺失值的特征列（基于合并后的特征集）
all_features = pd.concat([x_train, x_test])
missing_columns = all_features.columns[all_features.isnull().any()].tolist()

def fill_missing_values(data, train_data):
    data_copy = data.copy()  # 避免修改原数据
    for column in missing_columns:
        if data_copy[column].dtype in ['float64', 'int64']:
            # 用训练集均值填充，防止数据泄露
            data_copy[column].fillna(train_data[column].mean(), inplace=True)
        else:
            # 用训练集众数填充
            data_copy[column].fillna(train_data[column].mode()[0], inplace=True)
    return data_copy

# 填充训练集与测试集的缺失值
x_train_filled = fill_missing_values(x_train, x_train)
x_test_filled = fill_missing_values(x_test, x_train)

# 合并后做独热编码，保证特征一致
all_encoded = pd.get_dummies(pd.concat([x_train_filled, x_test_filled]), drop_first=True)
# 拆分回训练集与测试集编码后的数据
x_train_encoded = all_encoded[:len(x_train_filled)]
x_test_encoded = all_encoded[len(x_train_filled):]

# 初始化回归模型并训练
model3 = KNeighborsRegressor()
model3.fit(x_train_encoded, y_train)

# 评估模型
r2_score = model3.score(x_test_encoded, y_test)
print(f"模型R²分数: {r2_score}")

# 可选：计算回归任务常用评估指标
y_pred = model3.predict(x_test_encoded)
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
print(f"平均绝对误差(MAE): {mae}")
print(f"均方误差(MSE): {mse}")
print(f"均方根误差(RMSE): {rmse}")

关键修正说明 #

• 模型适配任务：回归任务使用KNeighborsRegressor，无需对连续型目标变量做独热编码。
• 缺失值填充规范：用训练集的统计量填充测试集，避免测试集信息泄露到训练流程中。
• 特征一致性保障：合并训练/测试集后执行独热编码，确保两者特征列完全匹配，彻底解决特征名不匹配的问题。

内容的提问来源于stack exchange，提问作者Emin