Kaggle分类变量练习：随机森林预测触发特征数不匹配报错

• 触发特征数不匹配错误的核心原因：你在处理测试集独热编码时错误调用了fit_transform()，相当于在测试集上重新训练了一个新的独热编码器，而不是复用训练集上拟合好的编码器做转换。
• 训练集低基数分类列的唯一值总数比测试集多7个，重新在测试集上fit的编码器只会识别测试集里出现的类别，生成的独热列比训练集少7列，最终拼接得到的测试集特征总共有148列，和模型训练时记住的155列输入维度不一致，直接触发报错。
• 日志里的FutureWarning是次要问题：独热编码输出转DataFrame时默认生成整数类型列名，和原数值列的字符串列名混合，sklearn 1.2之后版本会对这种情况直接抛错，但不是本次维度错误的诱因。

出错的是测试集独热编码这一行：

# 错误写法：在测试集上重新拟合编码器，学到的类别空间和训练集不一致
h_cols_test = pd.DataFrame(ohencoder.fit_transform(X_test[low_cardinality_cols]))

所有sklearn的特征转换器（独热编码、标准化、归一化等），只能在训练集上调用fit()方法学习规则，验证集、测试集只能用训练完成的转换器调用transform()应用规则，否则必然出现特征维度、分布不一致的问题。

1. 确保你初始化的OneHotEncoder实例，首先在训练集的低基数分类列上调用fit_transform()完成拟合，生成训练集独热特征OH_X_train，这一步不要重复初始化编码器。
2. 处理测试集时，不再调用fit_transform()，直接用训练好的编码器调用transform()，同时通过get_feature_names_out()生成字符串类型的列名，顺便解决FutureWarning。

修复后的测试集处理及预测代码如下：

# 测试集独热编码逻辑修复
h_cols_test = pd.DataFrame(
    ohencoder.transform(X_test[low_cardinality_cols]),
    # 生成字符串格式的独热列名，解决特征名类型警告
    columns=ohencoder.get_feature_names_out(low_cardinality_cols),
    index=X_test.index
)

num_X_test = X_test.drop(object_cols, axis=1)
OH_X_test = pd.concat([num_X_test, h_cols_test], axis=1)

# 模型训练与预测逻辑无需改动
model = RandomForestRegressor(n_estimators=100, random_state=0)
model.fit(OH_X_train, y_train)
preds_test = model.predict(OH_X_test)

output = pd.DataFrame({'Id': X_test.index,
                       'SalePrice': preds_test})
output.to_csv('submission.csv', index=False)

• 修复后测试集生成的独热列数和训练集完全对齐，总特征数为155，和模型预期输入维度一致，不会再触发维度报错。
• 所有特征列名均为字符串类型，不会再触发特征名类型的FutureWarning。
• 因为你初始化编码器时设置了handle_unknown='ignore'，即使测试集出现训练集中没见过的分类值，编码器会自动将对应独热位设为0，不会额外报错。

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