使用 sk-learn 进行分类：在预测时处理缺失的分类特征

Question

在我的项目中，我训练了一个 BaggingClassifier。由于使用的数据包含分类特征，我使用 pandas 框架（get_dummies）对它们进行编码。之后，我训练分类器。

现在我想做一个预测。它返回了这个错误：

ValueError: Number of features of the model must match the input. Model n_features is 12 and input n_features is 6.

我明白为什么会出现这个错误。 模型所需的功能：12

给定预测数据集中的特征：6

在这种情况下，由于编码，训练数据集被扩展到 12 个特征。 我用于预测的编码数据只有 6 个特征，因为它只有一行数据，在编码过程中根本不会传播。

这个例子说明了问题：

原始训练数据集

Age| Color  
35 |'Orange'
55 |'Black' 
75 |'Red' 

pandas get_dummies 之后：

X                              
Age| Orange | Black| Red       
35 | 1      | 0    | 0         
55 | 0      | 1    | 0         
75 | 0      | 0    | 1         

预测数据集

X
Age| Orange|       
35 | 1     |

预测的特征集不符合模型所需的特征集，因为它缺少“黑色”和“红色”特征。我想不出一个很好的方法来解决这个问题。

这是错误方法造成的错误吗？

Answer 1

对于此应用程序，您应该尝试sklearn.preprocessing.OneHotEncoder。它基本上与 pandas 中的虚拟变量相同，但是当在您的训练数据上调用 fit 时，它会记住那里的哪些值以及对应的列。如果你然后transform你的测试数据，它将为训练数据创建一个具有相同数量特征的数组。