开发ExtraTreesClassifier模型Flask预测UI时遇到特征数不匹配报错

流程与异常梳理 #

• 训练阶段操作
  • 读取清洗后的训练数据集，将click_time字段转换为日期格式后，剔除is_attributed、click_time两列
  • 选取剩余7个字段（ip、app、device、os、channel、hour、day）作为模型输入特征X，将is_attributed列作为预测目标y
  • 经RandomUnderSampler随机欠采样平衡样本分布、拆分训练测试集后，使用ExtraTreesClassifier完成模型训练，本地调用gsec.predict(X_test)可正常输出预测结果
• 部署环节报错现象
  • 将训练完成的模型通过pickle序列化保存后，在Flask推理接口中加载模型做预测时，触发报错：ValueError: X has 500000 features, but ExtraTreeClassifier is expecting 7 features as input
• 认知偏差说明
  • 所用测试集文件共50万条数据、7个列，曾误以为训练模型时是以is_attributed单列作为输入完成的，因此对特征数量不匹配的报错存在疑惑

报错根因定位 #

sklearn 所有内置模型的predict接口对输入结构有强制要求：输入必须为二维数组，形状为(样本数量, 特征数量)

• 报错提示的“500000个特征”，与测试集的总样本数（50万条）完全对应，并非测试集列数不符合要求。核心问题是推理流程中读入测试数据后，未做维度校验就将转置后的数组传入predict接口
• 原本形状为(500000, 7)的测试数据，被转置为(7, 500000)，此时数组的第二维（即模型识别到的特征维度）变为500000，与模型训练时记忆的“7个特征输入”要求完全不匹配，直接触发报错
• 训练流程的特征定义不存在问题：is_attributed从流程初始就被设为预测目标而非输入特征，模型从训练阶段就明确要求7个特征的输入维度，根本不存在“用is_attributed单特征训练模型”的情况，这个认知误区可以直接排除

修复方案 #

• 在Flask推理接口接收到上传的测试数据后，先打印校验数据的shape属性，确保传入model.predict()的数组形状为(n_samples, 7)——第一维对应样本数、第二维对应7个输入特征，维度顺序错了的话第一时间就能发现
• 排查推理代码中是否存在隐式的行列转置操作（比如pandas的.T方法、numpy的.transpose()调用），这类没有加注释的转置操作，是触发该类特征数不匹配报错的最常见原因

内容的提问来源于stack exchange，提问作者CodeGirl