XGBoost滚动验证（Walk Forward Validation）出现feature_names mismatch错误及分类任务指标选择咨询

一、先解决特征不匹配的错误 #

你遇到的ValueError: feature_names mismatch是数据输入维度错误导致的，核心问题是传入模型的特征数量和训练时不匹配：

• 你的输入特征有3个：收盘价、成交量、当日趋势，所以模型训练时期望输入是3维特征（对应['f0','f1','f2']）
• 但你在代码里写了pred = xgb_predict(history, test_x[0])，这里的test_x[0]只取了test_x的第一个特征，把3维特征硬生生砍成了1维，模型自然会抛出特征不匹配的错误

修复方法： #

把test_x[0]改成完整的test_x，确保传入模型的是全部3个特征：

pred = xgb_predict(history, test_x)

另外检查你的xgb_predict函数，里面已经用了val = np.array(val).reshape(1, -1)，这个处理是对的，修改参数后会自动把输入转换成(1,3)的形状，完全符合模型的要求。

二、评估指标的选择：必须用准确率而非RMSE #

你的任务是二分类任务（预测次日股票涨跌，0/1是分类标签），RMSE（均方根误差）是专门用于回归任务（比如预测具体股价这类连续数值）的指标，完全不适合你的分类场景。

推荐的分类评估指标： #

• 准确率（Accuracy）：最直观的指标，计算正确预测的样本数占总样本数的比例，适合涨跌样本分布比较均衡的情况
• 精确率/召回率：如果涨跌天数差异很大（比如上涨天数远多于下跌），准确率会有误导性，这时候用精确率（预测上涨的样本中实际上涨的比例）和召回率（实际上涨的样本中被正确预测的比例）更合适
• F1分数：精确率和召回率的调和平均，能综合反映模型的分类表现

准确率的代码实现： #

首先你需要修正predictions的存储逻辑（你现在存的是test[i]，这是测试集的原始数据，不是预测结果），然后用sklearn的accuracy_score计算：

from sklearn.metrics import accuracy_score

def validate(data, perc):
    predictions = []
    train, test = train_test_split(data, perc)
    history = [x for x in train]
    for i in range(len(test)):
        test_x, test_y = test[i, :-1], test[i, -1]
        pred = xgb_predict(history, test_x)  # 修正这里的参数
        predictions.append(pred)  # 存储预测结果，不是test[i]
    # 计算准确率
    accuracy = accuracy_score(test[:, -1], predictions)
    return accuracy, test[:, -1], predictions

# 调用并打印结果
accuracy, y, pred = validate(data, 0.2)
print(accuracy)

另外注意你代码里的小笔误：print(rsme)应该改成print(rmse)（变量名拼写错误）。

内容的提问来源于stack exchange，提问作者user16561849