Python 如何在经过训练的SVR模型上进行预测并解决误差值误差：X.shape[1]=1应等于22

我有超过2000行和23列的数据集，包括年龄列。我已经完成了SVR的所有流程。现在我想预测经过训练的SVR模型，我需要在模型中输入X_检验吗？我们遇到了一个错误，那就是

ValueError: X.shape[1] = 1 should be equal to 22, the number of features at training time

我如何解决这个问题？如何编写代码，以便在经过训练的SVR模型上进行预测

import pandas as pd
import numpy as np

# Make fake dataset
dataset = pd.DataFrame(data= np.random.rand(2000,22))
dataset['age'] = np.random.randint(2, size=2000)

# Separate the target from the other features
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

您对X_测试的重塑不正确；应该是：

X_test = np.array(X_test).reshape(1, -1)
print(X_test.shape)    
# (1, 22)

通过该更改，其余代码运行正常：

y_pred = SupportVectorRefModel.predict(X_test)
y_pred
# array([0.90156667])

更新

在代码中显示的情况下，显然X_测试由一个样本组成，如下所述：

X_test,  y_test  = data.loc[1001], target.loc[1001] 

但是，如果我怀疑这不是您真正想要的，但实际上您想要其余的数据作为测试集，那么您应该将定义更改为：

X_test,  y_test  = data.loc[1001:], target.loc[1001:]
X_test.shape
# (999, 22)

而且没有任何重塑

y_pred = SupportVectorRefModel.predict(X_test)
y_pred.shape
# (999,)

---

i、 e.999预测的y_pred。

在我将其编辑为正确的22之前，这是一个与错误消息中错误的57号完全相同的问题。请帮助我解决此问题