我有一个数据集，包含超过2000行和23列，包括age列。我已经完成了SVR的所有处理过程。现在我想在训练好的SVR模型上进行预测，需要将X_test输入到模型中吗？我遇到了一个错误：
ValueError: X.shape[1] = 1 should be equal to 22, the number of features at training time如何解决这个问题？我该如何编写代码来对训练好的SVR模型进行预测？
import pandas as pdimport numpy as np# 生成伪数据集dataset = pd.DataFrame(data= np.random.rand(2000,22))dataset['age'] = np.random.randint(2, size=2000)# 分离目标变量和其它特征target = dataset['age']data = dataset.drop('age', axis = 1)X_train, y_train = data.loc[:1000], target.loc[:1000]X_test, y_test = data.loc[1001], target.loc[1001] X_test = np.array(X_test).reshape((len(X_test), 1))print(X_test.shape)SupportVectorRefModel = SVR()SupportVectorRefModel.fit(X_train, y_train)y_pred = SupportVectorRefModel.predict(X_test)输出:
ValueError: X.shape[1] = 1 should be equal to 22, the number of features at training time回答：
你对X_test的重塑是不正确的；它应该这样做:
X_test = np.array(X_test).reshape(1, -1)print(X_test.shape) # (1, 22)通过这个改动，其余的代码可以正常运行:
y_pred = SupportVectorRefModel.predict(X_test)y_pred# array([0.90156667])更新
在你展示的代码中，很明显X_test由一个单一样本组成，如下定义:
X_test, y_test = data.loc[1001], target.loc[1001] 但如果（我猜测）这不是你真正想要的，而实际上你想要剩余的数据作为测试集，你应该将定义改为:
X_test, y_test = data.loc[1001:], target.loc[1001:]X_test.shape# (999, 22)并且不需要任何重塑
y_pred = SupportVectorRefModel.predict(X_test)y_pred.shape# (999,)即一个包含999个预测值的y_pred。
