sklearn LinearRegression调用predict报无有效特征名解决方法

这个警告是scikit-learn 1.0版本新增的特征一致性校验逻辑触发的，不属于代码逻辑错误，不会改变预测结果的数值。
你调用fit()训练模型时，传入的特征参数df[['year']]是pandas DataFrame对象，自带列名（即特征名year），模型训练完成后会留存训练时用到的特征名记录。但你调用predict()做预测时传入的是整数标量2020，既不满足模型要求的二维输入结构，也没有携带和训练阶段匹配的特征名信息，因此触发校验警告。
教学视频中代码运行无警告，是因为视频录制时使用的scikit-learn版本低于1.0，当时版本尚未加入特征名一致性检查的逻辑。

核心修复逻辑是保证传入predict()的输入结构符合模型要求，和训练时的输入格式对齐即可，常用修复方式有三种：

• 传入带匹配特征名的DataFrame结构，完全对齐训练时的输入格式

reg.predict(pd.DataFrame([[2020]], columns=['year']))

• 传入二维格式的列表或NumPy数组，这类无特征名的输入结构会跳过特征名校验，不会触发警告

# 嵌套列表写法
reg.predict([[2020]])

# NumPy数组写法
import numpy as np
reg.predict(np.array([[2020]]))

• 训练阶段就将输入转为无特征名的NumPy数组，从根源上跳过特征名记录逻辑，后续预测直接传二维数值结构即可

# 训练时取values转numpy数组，不保留特征名
reg.fit(df[['year']].values, df['per capita income (US$)'].values)
reg.predict([[2020]])

补充说明：该警告仅做风险提示，不会中断代码运行，也不会导致预测结果偏差。如果确认传入的特征数值、顺序正确，即使暂不处理警告，得到的2020年加拿大人均收入预测值也是准确的。警告设计的初衷是避免用户在多特征场景下传错特征顺序、漏传特征，导致预测结果完全错误却无感知。

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