我想知道下面的情况是如何发生的：
def fit(self, train, target): xgtrain = xgb.DMatrix(train, label=target, missing=np.nan) self.model = xgb.train(self.params, xgtrain, self.num_rounds)
我将训练数据集作为具有 5233 列的 csr_matrix 传递，在转换为 DMatrix 后，我得到了 5322 个特征。
后来在预测步骤中，由于上述错误，我得到了一个错误 🙁
def predict(self, test): if not self.model: return -1 xgtest = xgb.DMatrix(test) return self.model.predict(xgtest)
错误：… 训练数据没有以下字段：f5232
我如何保证正确地将我的 训练/测试 数据集转换为 DMatrix？
在 Python 中是否有类似于 R 的方法？
# 获取测试/训练稀疏矩阵的相同列col_order <- intersect(colnames(X_train_sparse), colnames(X_test_sparse))X_train_sparse <- X_train_sparse[,col_order]X_test_sparse <- X_test_sparse[,col_order]遗憾的是，我的方法不起作用：
def _normalize_columns(self): columns = (set(self.xgtest.feature_names) - set(self.xgtrain.feature_names)) | \ (set(self.xgtrain.feature_names) - set(self.xgtest.feature_names)) for item in columns: if item in self.xgtest.feature_names: self.xgtest.feature_names.remove(item) else: # 似乎这是不可变结构，无法添加任何新项目!!! self.xgtest.feature_names.append(item) 回答：
一种可能的解释是，你的训练数据或测试数据中独有某个特征级别。这种情况通常在独热编码后发生，结果是一个大的矩阵，为你的分类特征的每个级别增加了一个新特征（列/变量）。
在你的情况下，看起来特征“f5232”要么只在训练数据集中，要么只在测试数据集中。无论哪种情况，模型评分都可能会抛出错误（在大多数机器学习包的实现中），因为：
- 如果只在训练数据中：模型对象（来自训练）会在其模型方程中引用此特征。在评分（在测试数据上）时，它会抛出错误说“我找不到这个列/特征”。
- 如果只在测试数据中（可能性较小，因为测试数据通常比训练数据小）：模型对象（来自训练）不会在其模型方程中引用此特征。在评分（在测试数据上）时，它会抛出错误说“我有这个列，但模型方程中没有这个列”。这种错误的可能性也较小，因为大多数实现都意识到了这种情况（它们会忽略任何多余的列）。
解决方案：
- 最好的“自动化”解决方案是，在独热编码后，仅保留训练和测试数据中共有的那些列。
- 对于临时分析：如果你因为特征的重要性而无法放弃该特征的级别，那么可以进行分层抽样，以确保特征的所有级别都出现在训练和测试数据中。
