numpy matmul维度不匹配报错：回归预测时特征与系数维度不符如何修复？

错误根因 #

• 核心维度不匹配：你的回归模型reg是用55个特征训练得到的，reg.coef_长度为55，但是预测时只输入了5个特征，缩放后的特征形状为(1,5)。矩阵乘法要求前一操作数的列数等于后一操作数的行数，5和55不一致因此触发报错。
• 标准化逻辑错误：StandardScaler的fit_transform不能直接用在单预测样本上，标准化的均值、方差需要基于训练集统计得到，单样本缩放后所有特征值都会变为0，完全失去特征原本的分布意义。

修复步骤 #

1. 对齐特征维度
   根据实际业务场景二选一即可：
   • 如果你确认模型训练应该用5个特征：重新训练回归模型，传入训练集的特征数为5，训练完成后reg.coef_.shape会变为(5,)，和你现有预测输入的维度匹配。
   • 如果模型确实需要55个特征：补充预测时缺失的50个特征，按照训练时的特征顺序拼接成完整的长度为55的特征数组。
2. 修正标准化流程
   不要在预测样本上重新拟合scaler，使用训练阶段已经基于训练集fit好的scaler对预测样本做transform即可。

修复后代码示例 #

训练阶段（需提前执行，保存好拟合后的scaler和reg） #

from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression
import numpy as np

# X_train为训练集特征，形状为(训练样本数, 特征数，5或55)，y_train为对应标签
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
reg = LinearRegression()
reg.fit(X_train_scaled, y_train)

预测阶段 #

# 按训练时的特征顺序准备所有特征，长度和训练特征数一致
feats = np.array([i, x, y, z, n, 其余缺失特征按顺序填入]).reshape(1, -1)
# 用训练好的scaler做变换，不要重新fit
feat_scaled = scaler.transform(feats)
# 维度匹配后可以正常计算预测值
val = feat_scaled @ reg.coef_ + reg.intercept_

内容的提问来源于stack exchange，提问作者8-Bit Borges