随机森林分类器错误:要素数必须与输入匹配

Question

我对sklearn相对较新，并且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('mypathdata1.csv','r'), delimiter=',', dtype='f8')[1:]    
    target = [x[0] for x in dataset]
    train = [x[1:] for x in dataset]
    test = genfromtxt(open('mypathdata1.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(myoutputdata1_output.csv', rf.predict(test), delimiter=',', fmt='%f')
if __name__=="__main__":
    main()

此代码对包含三列的.csv文件运行随机森林分类器，其中第一列包含标签，另外两列包含特征。 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，我需要根据我的用例进行调整。 但是，它似乎比这更复杂。 有人能够解释我是否以及如何获得我上面描述的类型的.csv以成功运行此代码吗？

我确实看到了这篇文章，这表明问题是代码将我的标签作为功能包含在内。但是，我真的不明白针对该问题提出的解决方案如何解决这个问题，因此非常感谢其他解释。

Answer 1

csv 文件的形状是 (n_examples, 3) 。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，您读取相同的 csv 文件进行测试(我不知道您为什么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使用通过调用fit学习的模型参数获取输入并生成响应。因此，predict期望收到形状(2,)的输入变量列表或形状(n_examples, 2)数组。您应该看到现在发生不匹配的位置。

要解决此问题，请拨打 rf.predict(test[1:, 1:]) 。此切片从第 1 行开始获取所有内容，从第 1 列开始获取所有内容，假设它包含标题信息(您应该检查标题是否确实被读入(，跳过每行的第一列以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)。