CountVectorizer+SGDClassifier预测时n_features不匹配的ValueError如何解决

问题原因 #

• 冗余代码：你训练模型的全流程没有用到预先定义的Keras Tokenizer，预测阶段添加的tokenizer.fit_on_texts(test)、word_index = tokenizer.word_index属于无效代码，直接删除即可。
• 核心错误：你在预测阶段实际调用了cv.fit_transform(test)（可从报错栈第9行确认），而CountVectorizer在训练时已经基于训练集学习到了固定的2494维词汇表，对测试样本重新fit会生成仅匹配单条测试数据的12维新词汇表，和模型要求的输入维度不匹配，触发报错。

修复方案 #

将预测代码修改为如下即可：

sentence="Drill was not in operation in the mine at the time of visit."
test=preprocess_text(sentence)
test=test.lower()
test=[test] 
# 直接用训练好的CountVectorizer做特征转换，不要重新fit
test1=cv.transform(test)
output=sgd.predict(test1)
print(output)

注意事项 #

• 所有特征预处理工具（CountVectorizer、TfidfTransformer等）都遵循「仅在训练集fit一次，训练和预测阶段统一调用transform做转换」的规则，禁止在测试、预测数据上调用fit或fit_transform，避免特征维度不匹配的问题。
• 如果你后续需要切换为基于Tokenizer的深度学习模型，再保留Tokenizer相关逻辑，同样需要保证Tokenizer仅在训练集上fit一次，预测阶段不要重复fit。

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