使用RandomForestClassifier训练模型时报ValueError错误问题问询

• scikit-learn的RandomForestClassifier要求输入的所有特征均为数值类型，你的原始特征数据中存在字符串类型的分类值（报错中的gorilla就是这类值），无法直接被模型识别转换。
• 你已编写的独热编码逻辑未实际生效：仅对全量X做了编码得到onehotlabels，但后续训练时还是使用了原始未编码的X拆分得到的X_train、X_test，编码后的特征完全没有被用到。

调整核心逻辑：先拆分训练集和测试集再做特征编码，避免测试集信息泄露到训练过程中，使用编码后的特征完成训练和预测，修正后代码如下：

from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import OneHotEncoder
from sklearn import metrics
from sklearn.model_selection import train_test_split

# 第一步：先拆分数据集，拆分比例可按需调整
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 第二步：初始化独热编码器，仅在训练集上拟合
# handle_unknown='ignore' 可避免测试集出现训练集不存在的类别时报错
enc = OneHotEncoder(categories='auto', sparse_output=False, handle_unknown='ignore')
enc.fit(X_train)

# 第三步：对训练集、测试集分别做编码
X_train_enc = enc.transform(X_train)
X_test_enc = enc.transform(X_test)

# 第四步：用编码后的特征训练、预测
clf = RandomForestClassifier(n_estimators=10, random_state=42)
clf.fit(X_train_enc, y_train)
y_pred = clf.predict(X_test_enc)
print("Accuracy:", metrics.accuracy_score(y_test, y_pred))
print("Evaluation on Test Set", y_pred)

如果你的特征中同时存在数值型和字符串分类特征，推荐搭配ColumnTransformer仅对指定的分类列做独热编码，避免数值特征被无意义编码，示例如下：

from sklearn.compose import ColumnTransformer

# 假设第0、2列为分类特征列，其余为数值特征列，可按需替换为你的实际列索引/列名
preprocessor = ColumnTransformer(
    transformers=[
        ('cat', OneHotEncoder(sparse_output=False, handle_unknown='ignore'), [0, 2])
    ], remainder='passthrough') # 非分类列直接保留原值

X_train_enc = preprocessor.fit_transform(X_train)
X_test_enc = preprocessor.transform(X_test)

内容的提问来源于stack exchange，提问作者Amigos