Kaggle泰坦尼克号数据集Pipeline预测出现未知类别错误如何解决

你触发报错的核心原因是两点预处理逻辑错误：

1. 重复执行预处理流程：你搭建的Pipeline已经完整包含了插补、编码的预处理步骤，且在pipe.fit(X_train, y_train)阶段已经用训练集完成了所有预处理器的拟合。但你后续手动对X_test做了插补、编码转换，把已经转换成数值的特征再次传入Pipeline，此时Pipeline内部的OrdinalEncoder会把你提前转好的0.0、1.0数值当成新的类别输入，和它在训练阶段学习到的原始字符类（比如male/female）完全不匹配，直接触发未知类别报错。
2. 测试集误用fit_transform：就算你要手动做预处理，测试集也只能调用transform方法，不能用fit_transform重新拟合插补器和编码器，否则会造成数据泄露，得到不符合训练逻辑的预处理结果。

直接删除所有你手动编写的测试集预处理代码，调用pipe.predict()时直接传入原始未处理的X_test即可，Pipeline会自动调用训练阶段拟合好的预处理器对测试集做标准化处理，完全不需要手动干预。
修改后的预测代码仅需要保留一行：

# 直接传入原始测试集即可，不需要手动做插补、编码
preds = pipe.predict(X_test)

额外说明：你编写的X_test = X_test.dropna(axis=0)也可以删除，因为训练阶段已经用SimpleImputer处理缺失值，测试集删除缺失值属于预处理逻辑不一致，还会丢失需要预测的样本。

• 泰坦尼克号是二分类任务，你当前使用的XGBRegressor是回归模型，建议替换为XGBClassifier匹配任务类型，预测结果会更合理。
• 如果有特殊场景需要手动做预处理，必须遵守两个规则：① 所有预处理的拟合过程仅在训练集执行；② 测试集仅调用transform方法做转换，不能重新拟合任何预处理组件。

内容的提问来源于stack exchange，提问作者DillM94