拟合回归模型时触发ValueError: too many values to unpack (expected 2)求助

核心错误点 #

• Pipeline步骤格式错误：Pipeline的steps参数要求每个元素是(步骤名, 实例化的估计器)二元元组，你的代码里'model', RandomForestRegressor拆成了两个独立项，且RandomForestRegressor未加括号实例化。
• fit方法参数传错：model.fit()需要传入训练特征x_train和训练标签y_train，你错误传入了x_train和x_test。
• 额外潜在问题：object_type管道中，OneHotEncoder默认输出稀疏矩阵，后续的MinMaxScaler无法直接处理稀疏矩阵，需调整输出格式。

修复后的完整代码 #

from sklearn.impute import SimpleImputer
from sklearn.pipeline import make_pipeline, Pipeline
from sklearn.preprocessing import OneHotEncoder, MinMaxScaler
from sklearn.compose import make_column_transformer
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
import pandas as pd
import numpy as np

# 分离类别列与数值列
lst_object = []
for columns, content in df.items():
    if pd.api.types.is_object_dtype(content):
        lst_object.append(columns)

lst_numerical = []
for columns, content in df.items():
    if pd.api.types.is_numeric_dtype(content):
        lst_numerical.append(columns)

# 数值特征处理管道：缺失值填充+标准化
numerical_type = make_pipeline(
    SimpleImputer(missing_values=np.nan, strategy='median'),
    MinMaxScaler()
)

# 类别特征处理管道：缺失值填充+独热编码+标准化（转为密集矩阵避免报错）
object_type = make_pipeline(
    SimpleImputer(missing_values=np.nan, strategy='most_frequent'),
    OneHotEncoder(handle_unknown='ignore', sparse_output=False),
    MinMaxScaler()
)

# 列转换器：按列类型分配处理管道
transform = make_column_transformer(
    (numerical_type, lst_numerical),
    (object_type, lst_object)
)

# 修正Pipeline定义格式，实例化回归模型
model = Pipeline(steps=[
    ('transform', transform),
    ('model', RandomForestRegressor())
])

# 拆分训练集与测试集
X = df.drop('SalePrice', axis=1)
Y = df.SalePrice
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=0, shuffle=True)

# 修正fit参数，传入正确的训练特征与标签
model.fit(x_train, y_train)

# 可选：模型预测与评估
y_pred = model.predict(x_test)

错误原因详解 #

1. Pipeline格式错误：Pipeline解析步骤时会默认每个元素是二元元组，你的代码将第三个步骤拆成两个独立项，导致内部解包时触发too many values to unpack错误。
2. fit参数错误：fit(X, y)要求第一个参数是特征矩阵，第二个是标签向量，你传入两个特征矩阵，模型处理时输入维度不匹配，也会引发解包类错误。
3. 稀疏矩阵问题：OneHotEncoder默认输出稀疏矩阵，而MinMaxScaler仅支持密集矩阵输入，添加sparse_output=False即可解决该潜在报错。

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