SKLearn导出PMML模型预测不一致及DataFrame训练报错求助

一、PMML导出后预测结果异常（始终输出同一标签）的原因 #

• 特征序列化不完整：直接用Series训练时，CountVectorizer生成的稀疏矩阵与标签的映射关系未被sklearn2pmml正确捕获，导致Java/Python端加载模型后，特征解析逻辑缺失，模型只能默认输出占比最高的标签。
• 多标签结构未被识别：若未用MultiOutputClassifier包装MLPClassifier，sklearn2pmml无法识别多标签分类的结构，导出的PMML模型丢失标签维度信息，进而导致预测异常。

二、DataFrame训练报错"ValueError: Found input variables with inconsistent numbers of samples: [1, 8492]"的解决 #

这个错误核心是输入维度不匹配：

• 将文本Series转成DataFrame后，CountVectorizer会把整个DataFrame当成1个样本处理，而Y是8492个样本，自然触发维度冲突。
• 修正步骤：
  1. 保持X为原始文本Series，无需转成DataFrame，用PMMLPipeline整合特征处理和模型训练流程，确保序列化时保留完整逻辑。
  2. 示例代码：

     from sklearn2pmml import PMMLPipeline
     from sklearn.feature_extraction.text import CountVectorizer
     from sklearn.neural_network import MLPClassifier
     from sklearn.multioutput import MultiOutputClassifier
     
     # 构建完整流水线
     pipeline = PMMLPipeline([
         ("vectorizer", CountVectorizer()),
         ("classifier", MultiOutputClassifier(MLPClassifier()))
     ])
     
     # X为文本Series，Y为多标签二维数组/DataFrame
     pipeline.fit(X, Y)
     
     # 导出PMML
     from sklearn2pmml import sklearn2pmml
     sklearn2pmml(pipeline, "mlp_multilabel.pmml", with_repr=True)
     

三、PMML4S与JPMML预测结果差异的原因 #

• PMML规范支持度不同：PMML4S对多标签分类的输出结构、稀疏特征解析等PMML特性的实现不完善，而JPMML是官方维护的库，对PMML标准的兼容性更强，能正确解析sklearn2pmml导出的模型结构。
• 解决方法：
  • Java端优先使用JPMML加载模型，确保预测逻辑准确。
  • 若必须使用PMML4S，需手动检查导出的PMML文件，确认OutputField标签是否正确定义多标签输出（该操作成本较高，不推荐）。

额外注意事项 #

• 必须用PMMLPipeline包装整个流程，单独拟合模型再导出会丢失特征转换逻辑，导致PMML模型失效。
• 多标签场景下，Y必须是二维数组或DataFrame（每列对应一个标签），不能用Series。
• 导出PMML时添加with_repr=True参数，便于后续排查模型结构问题。

内容的提问来源于stack exchange，提问作者TJSullivan