使用DecisionTreeRegressor报ValueError：模型与输入特征数量不匹配

ValueError: Number of features of the model must match the input. Model n_features is 5 and input n_features is 1.
该报错由模型训练特征维度与预测输入特征维度不匹配导致：

• 训练阶段：你用X = df.drop(columns=['CLASS'])提取训练特征，最终X包含5个特征列，模型学习时默认要求后续所有预测输入的样本都必须携带5个特征
• 预测阶段：你定义的X_test = [[34],[62],[96],[30],[1]]是5个样本的集合，每个样本仅包含1个特征，和训练要求的5个特征维度不符，触发报错。

根据你的实际需求二选一即可：

方案1：仅用单特征训练+预测 #

如果你本来就是要只用1个特征做模型训练，修改训练阶段的特征提取逻辑即可，示例如下（假设你要用的特征列名为feature_col，替换为你实际的列名即可）：

import pandas as pd
from sklearn.tree import DecisionTreeRegressor

df = pd.read_csv("/content/Data.csv")
y = df['CLASS']
# 仅提取指定的1个特征作为训练输入，两层方括号保证输出为二维结构
X = df[['feature_col']]

my_tree = DecisionTreeRegressor()
my_tree.fit(X,y)
# 此时你的X_test结构符合要求，可以正常预测
X_test = [[34],[62],[96],[30],[1]]
y_pred = my_tree.predict(X_test)
print(y_pred)

方案2：预测1个携带5个特征的样本 #

如果你本来是要预测1个特征值分别为34、62、96、30、1的样本，仅修改X_test的结构即可：

import pandas as pd
from sklearn.tree import DecisionTreeRegressor

df = pd.read_csv("/content/Data.csv")
y = df['CLASS']
X = df.drop(columns=['CLASS'])

my_tree = DecisionTreeRegressor()
my_tree.fit(X,y)
# 调整为1个样本、5个特征的二维结构，和训练维度对齐
X_test = [[34,62,96,30,1]]
y_pred = my_tree.predict(X_test)
print(y_pred)

内容的提问来源于stack exchange，提问作者Ngoc Quy Nguyen