我在使用Python的scikit SVM线性支持向量分类时，尝试进行预测时遇到了一个错误：

ten_percent = len(raw_routes_data) / 10# Trainingtraining_label = all_labels[ten_percent:]training_raw_data = raw_routes_data[ten_percent:]training_data = DictVectorizer().fit_transform(training_raw_data).toarray()learner = svm.LinearSVC()learner.fit(training_data, training_label)# Predictingtesting_label = all_labels[:ten_percent]testing_raw_data = raw_routes_data[:ten_percent]testing_data = DictVectorizer().fit_transform(testing_raw_data).toarray()testing_predictions = learner.predict(testing_data)m = metrics.classification_report(testing_label, testing_predictions)

原始数据是以Python字典形式表示的，包含了各种旅行选项的到达时间类别和天气数据类别：

{'72_bus': '6.0 to 11.0', 'uber_eta': '2.0 to 3.5', 'tweet_delay': '0', 'c_train': '1.0 to 4.0', 'weather': 'Overcast', '52_bus': '16.0 to 21.0', 'uber_surging': '1.0 to 1.15', 'd_train': '17.6666666667 to 21.8333333333', 'feels_like': '27.6666666667 to 32.5'}

当我训练和拟合训练数据时，我对90%的数据使用了字典向量化器并将其转换为数组。

提供的测试标签表示为：

[1,2,3,3,1,2,3, ... ]

当我尝试使用LinearSVC进行预测时，系统提示我：

ValueError: X has 27 features per sample; expecting 46

我在这里遗漏了什么？显然是我的数据拟合和转换方式有问题。

回答：

问题在于你为训练和测试数据创建并拟合了不同的DictVectorizer。

你应该仅使用训练数据创建并拟合一个DictVectorizer，然后使用这个对象的transform方法来对测试数据进行特征表示的转换。