使用XGBClassifier进行股票趋势预测时遭遇feature_names mismatch错误的求助

这个问题我之前调XGBoost分类模型时也碰到过，核心就是训练时的特征数量和预测时传入的特征数量完全不一致，咱们一步步拆解解决：

错误原因分析 #

从报错信息feature_names mismatch: ['f0', 'f1', 'f2', 'f3'] ['f0'] expected f2, f1, f3 in input data能看出来：

• 你的模型训练时用了3个特征（对应收盘价、成交量、当日趋势这三个输入特征）
• 但你传入predict的val是单个数值test[0,0]，只有1个特征，模型找不到预期的另外2个特征，直接抛出不匹配错误。

具体解决方案 #

1. 修正预测输入的特征维度 #

你的训练数据train中，x = train[:, :-1]是取除最后一列标签外的所有特征列（共3个），所以预测时必须传入包含这3个特征的完整样本，而不是单个值。

2. 修改函数调用代码 #

你现在的调用是：

xgb_predict(train, test[0, 0])

这里test[0,0]只取了test第一行第一列的单个值，要改成传入一整行的特征部分：

• 如果test的结构和train一致（前3列是特征，最后1列是标签）：

  xgb_predict(train, test[0, :-1])
  

• 如果test本身就是纯特征数据（没有标签列）：

  xgb_predict(train, test[0, :])
  

3. 给函数加维度校验（可选但推荐） #

可以在xgb_predict函数里加个特征数量检查，提前发现问题，避免模糊的报错：

def xgb_predict(train, val):
    train = np.array(train)
    x, y = train[:, :-1], train[:, -1]
    model = XGBClassifier()
    model.fit(x, y)
    val = np.array(val).reshape(1, -1)
    
    # 新增：检查特征数量是否匹配训练集
    if val.shape[1] != x.shape[1]:
        raise ValueError(f"特征数量不匹配！训练时用了{x.shape[1]}个特征，当前输入只有{val.shape[1]}个")
    
    pred = model.predict(val)
    return pred[0]

4. 额外优化建议 #

• 给特征命名：训练时指定feature_names，报错时能直接看到缺失的是哪个特征，更直观：

  model = XGBClassifier(feature_names=['close_price', 'volume', 'today_trend'])
  

• 统一特征预处理：训练和预测前最好对特征做标准化/归一化（比如用StandardScaler），避免特征尺度差异影响模型效果。

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