RandomForestClassifier Error: Number of features must match input

Question

我对 sklearn 比较陌生，一直在尝试使用以下代码：

from sklearn.ensemble import RandomForestClassifier
from numpy import genfromtxt, savetxt

def main():
    #create the training & test sets, skipping the header row with [1:]
    dataset = genfromtxt(open('mypath\data1.csv','r'), delimiter=',', dtype='f8')[1:]    
    target = [x[0] for x in dataset]
    train = [x[1:] for x in dataset]
    test = genfromtxt(open('mypath\data1.csv','r'), delimiter=',', dtype='f8')[1:]

    #create and train the random forest
    #multi-core CPUs can use: rf = RandomForestClassifier(n_estimators=100, n_jobs=2)
    rf = RandomForestClassifier(n_estimators=100)
    rf.fit(train, target)

    savetxt(myoutput\data1_output.csv', rf.predict(test), delimiter=',', fmt='%f')

if __name__=="__main__":
    main()

此代码运行是包含三列的 .csv 文件上的随机森林分类器，第一列包含标签，而另外两列包含特征。当运行运行此程序时，出现以下错误：

ValueError: Number of features of the model must  match the input. Model n_features is 2 and  input n_features is 3

我最初的假设是有一个名为 n_features 的组件需要根据我的用例进行调整。然而，它似乎比这更复杂。谁能解释我是否以及如何使用此代码成功获得上述类型的 .csv 运行？

我确实看到了 this post，这表明问题在于代码将我的标签作为一项功能包含在内。但是，我真的不明白针对该问题的解决方案是如何解决这个问题的，因此非常感谢您提供额外的解释。

Answer 1

您的 csv 文件的形状是 (n_examples, 3)。您在调用时将此数组拆分为两个列表，其中包含响应变量和输入变量：

target = [x[0] for x in dataset]
train = [x[1:] for x in dataset]

因此，target 是形状 (n_examples, 1)，train 是形状 (n_examples, 2)。接下来，您读取同一个 csv 文件进行测试（我不知道您为什么要使用训练数据进行测试，或者为什么此时需要再次读取该文件）。无论如何，这意味着 test 是形状 (n_examples, 3).

predict 获取输入并使用通过调用 fit 学习的模型参数生成响应。因此 predict 期望收到形状为 (2,) 的输入变量列表或形状为 (n_examples, 2) 的数组。您现在应该看到不匹配发生在哪里。

要修复，请致电 rf.predict(test[1:, 1:])。这个切片从第 1 行开始，从第 1 列开始，跳过第一行，假设它包含 header 信息（你应该检查 header 确实被读入）并跳过第一列每行跳过每个示例的响应变量。

当然，由于测试是从与训练数据相同的文件中读取的，因此这相当于 rf.predict(train)。

RandomForestClassifier Error: Number of features must match input

RandomForestClassifier Error: Number of features must match input

numpy

python-2.7

scikit-learn