Streamlit部署RandomForestClassifier时特征数量不匹配问题求助

核心问题是预测时的特征预处理流程和训练模型时不一致：训练阶段用独热编码把6个原始特征扩展成了66个，但直接把用户输入的6个原始特征喂给模型，自然会出现特征数不匹配的报错。不用让用户输入66个特征，只要把用户输入的原始特征按训练时的逻辑转换成66个特征就行，具体步骤如下：

• 保存训练时的预处理流水线（或单独的独热编码器）
  训练模型时，别先单独做独热编码再训练模型，应该把预处理步骤和模型打包成一个流水线，这样后续加载后能直接复用整套处理逻辑。示例代码：

  from sklearn.pipeline import Pipeline
  from sklearn.preprocessing import OneHotEncoder
  from sklearn.ensemble import RandomForestClassifier
  from sklearn.compose import ColumnTransformer
  import joblib
  
  # 替换成你的6个原始特征列名
  cat_features = ["feat1", "feat2", "feat3", "feat4", "feat5", "feat6"]
  
  # 创建预处理转换器：对分类特征做独热编码
  preprocessor = ColumnTransformer(
      transformers=[
          ('cat_encoder', OneHotEncoder(sparse_output=False, drop='first'), cat_features)
      ])
  
  # 构建流水线：先预处理，再用模型训练
  model_pipeline = Pipeline(steps=[
      ('preprocessor', preprocessor),
      ('rf_classifier', RandomForestClassifier())
  ])
  
  # 用完整训练数据集训练流水线
  model_pipeline.fit(X_train, y_train)
  
  # 保存整个流水线到本地文件
  joblib.dump(model_pipeline, 'trained_pipeline.pkl')
  

  如果之前已经单独训练了模型，也可以单独保存训练好的OneHotEncoder，后续加载后对用户输入做编码。

• 在Streamlit应用中加载流水线，处理用户输入
  加载保存好的流水线后，直接把用户输入的6个原始特征整理成DataFrame，传入流水线的predict方法即可——流水线会自动完成独热编码，生成符合模型要求的66个特征。示例代码：

  import streamlit as st
  import joblib
  import pandas as pd
  
  # 加载训练好的流水线
  pipeline = joblib.load('trained_pipeline.pkl')
  
  # 前端获取用户输入的6个特征（根据你的实际需求选择输入组件）
  feat1 = st.selectbox('特征1', ['类型A', '类型B', '类型C'])
  feat2 = st.number_input('特征2', min_value=0, max_value=100)
  feat3 = st.text_input('特征3')
  feat4 = st.radio('特征4', ['是', '否'])
  feat5 = st.slider('特征5', 0.0, 10.0, 5.0)
  feat6 = st.selectbox('特征6', ['选项X', '选项Y'])
  
  # 将用户输入整理成DataFrame，列名要和训练时的cat_features完全一致
  user_input_df = pd.DataFrame({
      'feat1': [feat1],
      'feat2': [feat2],
      'feat3': [feat3],
      'feat4': [feat4],
      'feat5': [feat5],
      'feat6': [feat6]
  })
  
  # 预测按钮逻辑
  if st.button('生成预测'):
      prediction_result = pipeline.predict(user_input_df)
      st.success(f'预测结果：{prediction_result[0]}')
  

• 关键注意点

  • 确保用户输入的特征列名、数据类型和训练时完全一致，比如训练时某特征是字符串类型，用户输入不能是数字，否则编码会出错。
  • 如果训练时还做了其他预处理（比如缺失值填充、标准化），必须把这些步骤也加入流水线，保证预测和训练的处理逻辑完全同步。
  • 别手动构造独热编码特征，很容易出现类别遗漏或顺序错误，导致特征数不匹配或者预测结果失真。

内容的提问来源于stack exchange，提问作者Syed Muzammil Ahmed