所以，我正在使用随机森林处理这个数据集： https://archive.ics.uci.edu/ml/datasets/auto+mpg
但当我尝试进行预测时，出现了这个错误：
ValueError: 模型的特征数量必须与输入匹配。模型的特征数量为947，而输入的特征数量为15
这是我的文件：
import joblib # para salvar o modeloimport pandas as pdfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScaler # Para Normalizarfrom sklearn.preprocessing import OneHotEncoderfrom sklearn.preprocessing import LabelEncoderfrom sklearn.metrics import r2_scoredata = pd.read_csv('auto-mpg.csv',sep = ',')data['horsepower'] = data['horsepower'].replace('?','100')x = data.iloc[:,1:].valuesy = data.iloc[:,0].valueslb = LabelEncoder()x[:,7] = lb.fit_transform(x[:,7])onehot = OneHotEncoder()x = onehot.fit_transform(x).toarray()xtrain,xtest,ytrain,ytest = train_test_split(x,y,test_size = 0.2,random_state = 0)sc = StandardScaler()x = sc.fit_transform(x)rfr = RandomForestRegressor(n_estimators = 200,random_state = 0)rfr.fit(xtrain,ytrain)ypred_rfr = rfr.predict(xtest)print('Acuracia:',round(r2_score(ytest,ypred_rfr)*100,2),'%')joblib.dump(rfr,'randon-forest.model')然后在这里出现了错误：
import joblib # para salvar o modeloimport pandas as pdfrom sklearn.preprocessing import StandardScalerfrom sklearn.preprocessing import OneHotEncoderdata = pd.read_csv('teste.csv',sep = ',')print(data.columns);logit = joblib.load('randon-forest.model')onehot = OneHotEncoder()data = onehot.fit_transform(data).toarray()sc = StandardScaler()data = sc.fit_transform(data)# montar um vetor de dadosdados_vet = pd.DataFrame(data)print(data)# classificar esse vetor com o logit_bankresult_predict = logit.predict(dados_vet)print('Logit Bank')print(result_predict)回答：
简而言之：
用于预测的数据必须与用于训练模型的数据具有相同数量的特征。
更详细的回答：
您在 auto-mpg.csv 上训练模型，我猜测其中有947个特征（列）（另加1列作为标记值）。然而，teste.csv 中的数据，我不知道是什么，可能只有15个特征，因此您无法使用在不同数量特征上训练的模型来预测15个特征的数据。
一个简单的例子：假设您有一个模型，可以根据建造年份和房间数量预测房价，使用以下公式：
price = number_of_rooms * 5 + (year-2000) * 20您在代码中尝试做的事情，相当于只提供房间数量给这个示例模型。模型还需要“知道”年份信息。
