RandomForestClassifier预测时特征数不匹配抛出ValueError如何解决？

错误原因 #

• 训练与预测阶段的编码逻辑不统一：训练阶段你用OneHotEncoder对训练集的爱好名称编码后共得到321个特征（对应数据集中所有出现过的爱好类别），但预测阶段你直接调用pd.get_dummies对新输入的两个爱好单独编码，最终只得到2个特征，特征维度和模型训练时的输入要求不匹配，因此触发维度校验报错。
• 预测阶段的数据构造规则错误：你构造测试DataFrame时设置的列名是testing，调用pd.get_dummies时指定的编码列是不存在的Duh，和训练阶段使用的特征列Name完全不对应，编码结果本身就是无效的。

解决方案 #

核心是训练阶段保留拟合好的编码器，预测阶段复用同一编码器做特征转换，保证特征维度一致，不要在预测阶段单独做独热编码。

正确训练流程示例 #

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder
from sklearn.ensemble import RandomForestClassifier

# 加载数据集
df = pd.read_csv("你的爱好数据集路径.csv")
X = df[['Name']]
y = df['Category']

# 拆分训练集测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化编码器，设置handle_unknown='ignore'避免预测时遇到未知类别报错
encoder = OneHotEncoder(sparse_output=False, handle_unknown='ignore')
# 用训练集拟合编码器，得到训练集编码结果
X_train_encoded = encoder.fit_transform(X_train)

# 训练模型
model = RandomForestClassifier()
model.fit(X_train_encoded, y_train)

# 测试集验证也复用同一个编码器
X_test_encoded = encoder.transform(X_test)
print("测试集准确率：", model.score(X_test_encoded, y_test))

正确预测流程示例 #

# 自定义预测数据
my_test = ['ML','Cricket']
# 列名必须和训练时的特征列完全一致
test_df = pd.DataFrame(my_test, columns = ['Name'])

# 复用训练阶段拟合好的编码器做转换，不要重新生成编码器
test_encoded = encoder.transform(test_df)

# 执行预测
predictions = model.predict(test_encoded)
print(predictions)

注意事项 #

• 禁止在训练、预测阶段分别调用pd.get_dummies做独热编码，该方法不会记录训练集的编码规则，每次编码只会基于当前传入的数据生成特征，必然会出现维度不匹配问题。
• OneHotEncoder的handle_unknown='ignore'参数会将训练集未出现过的类别对应的所有特征位设为0，避免预测时遇到未知爱好名称直接报错。

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