Keras模型输入维度不匹配：解决数据预处理中的特征一致性问题

本文旨在解决keras模型在训练或预测时遇到的输入维度不匹配问题，特别是由于数据预处理（如独热编码）导致训练集与预测集特征数量不一致的情况。文章将详细解释错误原因，并提供确保特征一致性的解决方案，包括使用`pandas`进行列对齐和`sklearn`的`onehotencoder`，以构建健壮的机器学习管道。

在构建机器学习模型时，一个常见且关键的挑战是确保输入数据的维度与模型期望的维度完全一致。当使用Keras等深度学习框架时，如果模型在训练阶段学习了特定数量的输入特征，但在预测阶段接收到的特征数量不同，就会抛出ValueError: Input 0 of layer … is incompatible with the layer: expected shape=(None, N), found shape=(None, M)的错误。这通常意味着模型期望N个特征，但实际接收到了M个特征。

理解问题根源：特征维度不匹配

在提供的代码示例中，问题出现在Keras模型训练后，用户尝试对单个输入进行预测时。错误信息expected shape=(None, 7), found shape=(None, 5)清晰地表明，模型在训练时输入层期望7个特征，但在预测时只接收到5个特征。

分析代码，我们可以发现以下关键步骤：

数据加载与预处理： carica_dataset() 加载数据，carica_modello() 对数据集进行独热编码 (pd.get_dummies(dataset, columns=[‘Località’]))，然后分离特征 X 和目标 y。模型定义： Keras Sequential 模型的第一层 Dense 使用 input_dim=X_train.shape[1] 来自动设置输入特征的数量。预测数据准备： 用户输入数据被收集到一个字典 user_data 中，然后转换为 pd.DataFrame，并再次进行独热编码 (dataframe = pd.get_dummies(dataframe, columns=[‘Località’]))。最后，其值被转换为NumPy数组进行预测。

问题的核心在于 pd.get_dummies 的行为。当对训练集进行独热编码时，它会为训练集中所有唯一的 ‘Località’ 值创建新的列。例如，如果训练集中有 ‘A’, ‘B’, ‘C’ 三种地点，那么 get_dummies 会生成 Località_A, Località_B, Località_C 三列。如果原始数据有5个特征（包括’Località’），那么独热编码后，特征数量可能变为 5 – 1 + 3 = 7。这就是模型期望的7个特征的来源。

然而，当用户输入单个预测数据时，例如只输入 Località=’A’，对这个单行DataFrame应用 pd.get_dummies 只会生成 Località_A 这一列。此时，特征数量可能变为 5 – 1 + 1 = 5。这就导致了预测时特征数量与模型期望的不一致。

诊断与验证

为了验证上述推断，可以在代码的关键位置打印出DataFrame的形状和列名：

# ... (之前的导入和函数定义)def carica_modello():    dataset = carica_dataset()    # 原始数据集的特征数量（不含目标列）    print(f"原始数据集特征数量 (不含目标列): {dataset.drop(columns=['Prezzo']).shape[1]}")    dataset = pd.get_dummies(dataset, columns=['Località'])    print(f"训练集独热编码后列名: {dataset.columns.tolist()}")    X = dataset.drop(columns=['Prezzo'])    y = dataset['Prezzo']    X_train, X_test, y_train, y_test = train_test_split(X, y)    # 训练集特征数量    print(f"X_train 形状: {X_train.shape}")    model = Sequential()    # 确认模型输入维度    input_dim = X_train.shape[1]    print(f"Keras模型第一层 input_dim: {input_dim}")    model.add(Dense(64, activation='relu', input_dim=input_dim,  kernel_regularizer=l2(0.1)))    # ... (其他层)    model.compile(loss='mean_squared_error', optimizer=adam, metrics=['accuracy'])    model.fit(X_train, y_train, epochs=100, batch_size=64)    return model# ... (用户输入部分)dataframe = pd.DataFrame([user_data])print(f"用户输入DataFrame (独热编码前) 形状: {dataframe.shape}")print(f"用户输入DataFrame (独热编码前) 列名: {dataframe.columns.tolist()}")dataframe = pd.get_dummies(dataframe, columns=['Località'])print(f"用户输入DataFrame (独热编码后) 形状: {dataframe.shape}")print(f"用户输入DataFrame (独热编码后) 列名: {dataframe.columns.tolist()}")valori = dataframe.values# 确认预测输入数据的形状print(f"预测输入数据形状: {valori.shape}")prediction = model.predict(valori)[0][0]print(f'La predizione del prezzo è: {prediction} €')

通过这些打印语句，可以清晰地看到训练集和预测集在独热编码后列数量的差异。

文心大模型

百度飞桨-文心大模型 ERNIE 3.0 文本理解与创作

56 查看详情

解决方案：确保特征一致性

解决此问题的核心思想是：在预测时，必须确保输入数据的特征列与模型训练时所用的特征列完全一致，包括列的数量和顺序。

以下是两种常用的解决方案：

方法一：使用 pandas 进行列对齐（推荐用于此场景）

这种方法涉及在训练阶段保存独热编码后的训练集列名，然后在预测阶段，将预测数据的列重新索引以匹配这些列名，并用0填充缺失值。

import pandas as pdfrom sklearn.model_selection import train_test_splitfrom keras.models import Sequentialfrom keras.layers import Dense, Dropoutfrom keras.optimizers import Adamfrom keras.regularizers import l2import numpy as np# 定义一个全局变量来存储训练时的特征列名TRAINING_FEATURES_COLUMNS = Nonedef carica_dataset():    # 假设 'dataset.csv' 存在且包含 'Prezzo', 'Località' 等列    dataset = pd.read_csv("dataset.csv")    return datasetdef carica_modello():    global TRAINING_FEATURES_COLUMNS # 声明使用全局变量    dataset = carica_dataset()    # 对训练数据进行独热编码    dataset = pd.get_dummies(dataset, columns=['Località'])    X = dataset.drop(columns=['Prezzo'])    y = dataset['Prezzo']    # 保存训练集的特征列名，供预测时使用    TRAINING_FEATURES_COLUMNS = X.columns.tolist()    print(f"训练集独热编码后的特征列名: {TRAINING_FEATURES_COLUMNS}")    print(f"训练集特征数量: {len(TRAINING_FEATURES_COLUMNS)}")    X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)    model = Sequential()    model.add(Dense(64, activation='relu', input_dim=X_train.shape[1],  kernel_regularizer=l2(0.1)))    model.add(Dropout(0.5))    model.add(Dense(32, activation='relu',  kernel_regularizer=l2(0.1)))    model.add(Dropout(0.5))    model.add(Dense(16, activation='relu', kernel_regularizer=l2(0.1)))    model.add(Dropout(0.5))    model.add(Dense(8, activation='relu', kernel_regularizer=l2(0.1)))    model.add(Dropout(0.5))    model.add(Dense(1, activation='linear', kernel_regularizer=l2(0.1)))    adam = Adam(learning_rate=0.001) # 建议指定学习率    model.compile(loss='mean_squared_error', optimizer=adam, metrics=['mae']) # 将accuracy改为mae更适合回归问题    print(f"开始训练模型，输入维度: {X_train.shape[1]}")    model.fit(X_train, y_train, epochs=100, batch_size=64, verbose=0) # verbose=0 减少训练输出    print("模型训练完成。")    return model# 加载数据集并训练模型dataset = carica_dataset()model = carica_modello()# 定义用户输入字段fields = {    'Superficie': float,    'Numero di stanze da letto': int,    'Numero di bagni': int,    'Anno di costruzione': int,    'Località': str}user_data = {}# 获取用户输入print("n--- 请输入预测数据 ---")for key, value in fields.items():    while True:        try:            user_input = input(f"请输入 {key} 的值: ")            user_data[key] = value(user_input)            break        except ValueError:            print(f"输入无效，请为 {key} 输入一个有效的值。")# 准备预测数据dataframe = pd.DataFrame([user_data])print(f"用户输入原始 DataFrame: {dataframe.columns.tolist()}")# 对用户输入数据进行独热编码dataframe = pd.get_dummies(dataframe, columns=['Località'])print(f"用户输入独热编码后 DataFrame 列: {dataframe.columns.tolist()}")# 关键步骤：使用训练集列名对预测DataFrame进行reindex，并用0填充缺失列if TRAINING_FEATURES_COLUMNS is not None:    # 确保所有训练时的特征列都存在，不存在的用0填充    dataframe = dataframe.reindex(columns=TRAINING_FEATURES_COLUMNS, fill_value=0)else:    raise RuntimeError("训练集的特征列名未被保存，请先运行 carica_modello()。")print(f"预测数据对齐训练集列后 DataFrame 列: {dataframe.columns.tolist()}")print(f"预测数据对齐训练集列后 DataFrame 形状: {dataframe.shape}")# 转换为NumPy数组进行预测valori = dataframe.values# 进行预测prediction = model.predict(valori)[0][0]print(f'n预测的房屋价格是: {prediction:.2f} €')

方法二：使用 sklearn.preprocessing.OneHotEncoder（更专业和推荐）

OneHotEncoder 提供了一个更结构化的方式来处理分类特征。它可以在训练数据上 fit，然后用相同的 encoder 来 transform 训练数据和新的预测数据，从而保证特征的一致性。

import pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import OneHotEncoderfrom sklearn.compose import ColumnTransformerfrom sklearn.pipeline import Pipelinefrom keras.models import Sequentialfrom keras.layers import Dense, Dropoutfrom keras.optimizers import Adamfrom keras.regularizers import l2import numpy as npdef carica_dataset():    dataset = pd.read_csv("dataset.csv")    return dataset# 定义预处理器（全局或作为模型的一部分）preprocessor = Nonemodel_pipeline = None # 用于存储包含预处理器和模型的管道def carica_modello():    global preprocessor, model_pipeline    dataset = carica_dataset()    # 识别分类特征和数值特征    categorical_features = ['Località']    numerical_features = [col for col in dataset.drop(columns=['Prezzo']).columns if col not in categorical_features]    # 创建一个预处理管道    # OneHotEncoder 处理分类特征，handle_unknown='ignore' 允许在预测时遇到未见过的类别时忽略，而不是报错    # remainder='passthrough' 确保数值特征被保留    preprocessor = ColumnTransformer(        transformers=[            ('cat', OneHotEncoder(handle_unknown='ignore'), categorical_features),            ('num', 'passthrough', numerical_features)        ])    X = dataset.drop(columns=['Prezzo'])    y = dataset['Prezzo']    X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)    # 在训练数据上拟合预处理器并转换数据    X_train_processed = preprocessor.fit_transform(X_train)    # Keras模型定义    model = Sequential()    model.add(Dense(64, activation='relu', input_dim=X_train_processed.shape[1],  kernel_regularizer=l2(0.1)))    model.add(Dropout(0.5))    model.add(Dense(32, activation='relu',  kernel_regularizer=l2(0.1)))    model.add(Dropout(0.5))    model.add(Dense(16, activation='relu', kernel_regularizer=l2(0.1)))    model.add(Dropout(0.5))    model.add(Dense(8, activation='relu', kernel_regularizer=l2(0.1)))    model.add(Dropout(0.5))    model.add(Dense(1, activation='linear', kernel_regularizer=l2(0.1)))    adam = Adam(learning_rate=0.001)    model.compile(loss='mean_squared_error', optimizer=adam, metrics=['mae'])    print(f"Keras模型输入维度: {X_train_processed.shape[1]}")    model.fit(X_train_processed, y_train, epochs=100, batch_size=64, verbose=0)    print("模型训练完成。")    # 可以将预处理器和模型封装在一个Pipeline中，方便后续使用    # model_pipeline = Pipeline(steps=[('preprocessor', preprocessor), ('regressor', model)])    # 但这里Keras模型不是sklearn Estimator，所以分开管理更常见    return model# 加载数据集并训练模型dataset = carica_dataset()model = carica_modello()# 定义用户输入字段fields = {    'Superficie': float,    'Numero di stanze da letto': int,    'Numero di bagni': int,    'Anno di costruzione': int,    'Località': str}user_data = {}# 获取用户输入print("n--- 请输入预测数据 ---")for key, value in fields.items():    while True:        try:            user_input = input(f"请输入 {key} 的值: ")            user_data[key] = value(user_input)            break        except ValueError:            print(f"输入无效，请为 {key} 输入一个有效的值。")# 准备预测数据为DataFramedataframe = pd.DataFrame([user_data])print(f"用户输入原始 DataFrame 列: {dataframe.columns.tolist()}")# 关键步骤：使用之前拟合的预处理器转换预测数据if preprocessor is not None:    valori = preprocessor.transform(dataframe)else:    raise RuntimeError("预处理器未被初始化，请先运行 carica_modello()。")print(f"预测数据预处理后形状: {valori.shape}")# 进行预测prediction = model.predict(valori)[0][0]print(f'n预测的房屋价格是: {prediction:.2f} €')

注意事项：

pd.get_dummies vs OneHotEncoder: OneHotEncoder 更适用于生产环境，因为它能记住训练时遇到的所有类别，并在预测时正确处理新数据（包括未见过的类别，通过 handle_unknown=’ignore’ 或 error）。pd.get_dummies 每次调用都是独立的，容易导致列不一致。特征顺序： 无论使用哪种方法，确保特征列的顺序也与训练时一致。pd.DataFrame.reindex 会自动处理顺序，ColumnTransformer 也会保持一致。保存预处理器： 在实际应用中，训练好的 OneHotEncoder (或整个 ColumnTransformer) 需要和模型一起保存，以便在部署时加载并用于新数据的预处理。回归任务的指标： 对于回归问题，metrics=[‘accuracy’] 是不合适的。应该使用回归指标，如 mean_absolute_error (mae) 或 mean_squared_error (mse)。

总结

Keras模型输入维度不匹配的ValueError通常是数据预处理阶段特征工程不一致的体现，尤其是在处理分类特征并进行独热编码时。解决此问题的关键在于确保训练和预测阶段的特征集具有相同的数量、名称和顺序。通过采用pandas的列对齐机制或sklearn的OneHotEncoder与ColumnTransformer构建健壮的预处理管道，可以有效地避免这类问题，从而构建出更稳定、可靠的机器学习系统。在开发过程中，始终检查数据形状和列名是诊断和预防此类错误的最佳实践。

以上就是Keras模型输入维度不匹配：解决数据预处理中的特征一致性问题的详细内容，更多请关注创想鸟其它相关文章！