解决XGBoost测试阶段LabelEncoder编码不匹配与unseen labels错误

问题1：报错“y contains previously unseen labels” #

这个错误是因为测试数据里出现了训练阶段从未见过的标签，LabelEncoder默认无法处理未知类别。解决步骤：

• 训练时：拟合完训练数据的标签后，务必保存整个LabelEncoder对象（比如用pickle），它会记录训练时的所有类别。
• 测试时：加载编码器后，先过滤掉测试数据中不在训练类别里的样本，再做编码转换，避免触发未知标签报错。

示例代码：

训练阶段保存编码器 #

import pickle
from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()
# 仅在训练数据上执行fit_transform
y_train_encoded = le.fit_transform(y_train)
# 保存编码器到文件
with open('label_encoder.pkl', 'wb') as f:
    pickle.dump(le, f)

测试阶段处理未知标签 #

with open('label_encoder.pkl', 'rb') as f:
    le = pickle.load(f)
# 筛选出测试数据中存在于训练类别内的样本
y_test_filtered = y_test[y_test.isin(le.classes_)]
# 仅执行transform，不重新fit
y_test_encoded = le.transform(y_test_filtered)

问题2：加载编码器后编码不匹配（所有输入编码为0） #

这几乎都是因为你在测试阶段不小心对测试数据调用了fit()或fit_transform()，导致编码器重新拟合测试数据——如果测试数据只有单一类别，就会全部编码为0。

核心原则：编码器只能在训练数据上fit，测试数据只能用transform

正确的测试阶段操作示例：

import pickle
import xgboost as xgb

# 加载训练好的编码器和模型
le = pickle.load(open('label_encoder.pkl', 'rb'))
model = xgb.XGBRegressor()
model.load_model('xgb_model.json')

# 测试数据编码：只调用transform
y_test_encoded = le.transform(y_test)
# 执行预测
y_pred = model.predict(X_test)

额外优化建议 #

如果需要更灵活地处理未知类别（不想过滤样本），可以改用OrdinalEncoder替代LabelEncoder，它支持设置未知类别的默认编码值：

from sklearn.preprocessing import OrdinalEncoder

# 训练阶段
oe = OrdinalEncoder(handle_unknown='use_encoded_value', unknown_value=-1)
# 假设是特征列的类别编码，比如country列
X_train_country_encoded = oe.fit_transform(X_train[['country']])
pickle.dump(oe, open('ordinal_encoder.pkl', 'wb'))

# 测试阶段
oe = pickle.load(open('ordinal_encoder.pkl', 'rb'))
X_test_country_encoded = oe.transform(X_test[['country']])

内容的提问来源于stack exchange，提问作者RockMachine98