StandardScaler特征数量不匹配报错：输入4维特征但预期1维

执行代码 #

index = [496,495,498,499]

candles = scaler.transform(np.array([float(check[i][4]) for i in index]).reshape(1,-1))

model_feed = candles.reshape(1,4,1)

scaler.inverse_transform(model.predict(model_feed)[0])[0] #at 7:08 PM prediction today 6th April 

报错详情 #

ValueError                                Traceback (most recent call last)
<ipython-input-77-669db369d0af> in <cell line: 3>()
      1 index = [496,495,498,499]
      2 
----> 3 candles = scaler.transform(np.array([float(check[i][4]) for i in index]).reshape(1,-1))
      4 
      5 model_feed = candles.reshape(1,4,1)

3 frames
/usr/local/lib/python3.10/dist-packages/sklearn/base.py in _check_n_features(self, X, reset)
    387 
    388         if n_features != self.n_features_in_:
---> 389             raise ValueError(
    390                 f"X具有{n_features}个特征，但{self.__class__.__name__}期望输入{self.n_features_in_}个特征。"
    391             )

ValueError：X具有4个特征，但StandardScaler期望输入1个特征。

问题原因 #

StandardScaler训练时适配的是1个特征，但当前调用transform()时传入的数据被处理成了4个特征，特征维度不匹配导致报错。

具体来说，np.array([float(check[i][4]) for i in index]).reshape(1,-1)生成的是形状为(1,4)的数组，会被识别为1个样本、4个特征，和训练时的特征数矛盾。

解决方案 #

要保证transform()输入的特征数和训练时一致，可根据场景选择以下方案：

方案1：适配单特征Scaler（常用场景） #

如果Scaler是针对单个特征训练的，需将每个数值作为独立样本传入，形状调整为(4,1)（4个样本，1个特征）：

index = [496,495,498,499]

# 调整reshape为(-1,1)，生成4个单特征样本
candles = scaler.transform(np.array([float(check[i][4]) for i in index]).reshape(-1,1))

# 调整形状适配模型输入
model_feed = candles.reshape(1,4,1)

# 逆变换时同样保证特征数匹配
prediction = model.predict(model_feed)[0]
result = scaler.inverse_transform(prediction.reshape(-1,1))[0][0]

方案2：重新拟合多特征Scaler #

如果模型确实需要4个特征作为输入，需用4特征的训练数据重新拟合Scaler：

# 用含4个特征的训练数据重新拟合Scaler
scaler.fit(your_4_feature_training_data)
# 再执行后续transform操作
candles = scaler.transform(np.array([float(check[i][4]) for i in index]).reshape(1,-1))

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