Python 从已经训练好的逻辑回归模型调用predict

我训练了一个逻辑回归模型，用于文本数据的多重分类。我想从模型中生成一个样本预测，但是我得到了这个错误

ValueError: X has 30 features per sample; expecting 100000

下面是对文本数据进行矢量化的代码

tfidf_pipeline = Pipeline([
    ('tfidf' ,TfidfVectorizer(max_features=50000, ngram_range=(1, 3), stop_words = 'english', strip_accents= 'ascii',))])

preprocessor_pipeline = ColumnTransformer(
    transformers=[
    ('short_description', tfidf_pipeline,'short_description'),
    ('details', tfidf_pipeline,'details'),
])

下面是我试图运行的代码，但是上面出现了后一个错误

d = {'short_description' : ['[mitigated]  [ubl5] ssd slam station not working'],
    'details' : ['ssd slam station not working, unable to  take slam from the station.']}
df_test = pd.DataFrame(data=d)
X = df_test[['short_description', 'details']]
X_prep = preprocessor_pipeline.fit_transform(X)
y_p = lr.predict(X_prep)

---

培训和测试步骤的

预处理器管道必须相同

以下是一个最小的可复制示例：

将numpy导入为np
作为pd进口熊猫
从sklearn.feature\u extraction.text导入TfidfVectorizer
从sklearn.linear_模型导入逻辑回归
原始输入=[
“第一句话看起来像这样”，
“第二句话看起来像这样”，
“它将展示一些东西”，
]
矢量器=TfidfVectorizer（stop_words=“english”，strip_accents=“ascii”）
X=矢量器。拟合变换（原始输入）
y=np.array（[0,0,1]）
clf=逻辑回归（）
clf.配合（X，y）
d={
“简短描述”：[“[缓解][ubl5]ssd slam站不工作”]，
“详细信息”：[“ssd slam站不工作，无法从站获取slam。”，
}
df_测试=pd.数据帧（数据=d）
X_测试=矢量器。拟合变换（df_测试）
打印（clf.预测（X_检验））

结果:

Traceback (most recent call last):
  File "vectorizer_test.py", line 27, in <module>
    print(clf.predict(X_test))
  File "/home/hayesall/miniconda3/envs/stackoverflow/lib/python3.7/site-packages/sklearn/linear_model/_base.py", line 309, in predict
    scores = self.decision_function(X)
  File "/home/hayesall/miniconda3/envs/stackoverflow/lib/python3.7/site-packages/sklearn/linear_model/_base.py", line 289, in decision_function
    % (X.shape[1], n_features))
ValueError: X has 2 features per sample; expecting 6

培训和测试步骤的
预处理器管道必须相同

以下是一个最小的可复制示例：

将numpy导入为np
作为pd进口熊猫
从sklearn.feature\u extraction.text导入TfidfVectorizer
从sklearn.linear_模型导入逻辑回归
原始输入=[
“第一句话看起来像这样”，
“第二句话看起来像这样”，
“它将展示一些东西”，
]
矢量器=TfidfVectorizer（stop_words=“english”，strip_accents=“ascii”）
X=矢量器。拟合变换（原始输入）
y=np.array（[0,0,1]）
clf=逻辑回归（）
clf.配合（X，y）
d={
“简短描述”：[“[缓解][ubl5]ssd slam站不工作”]，
“详细信息”：[“ssd slam站不工作，无法从站获取slam。”，
}
df_测试=pd.数据帧（数据=d）
X_测试=矢量器。拟合变换（df_测试）
打印（clf.预测（X_检验））

结果:

Traceback (most recent call last):
  File "vectorizer_test.py", line 27, in <module>
    print(clf.predict(X_test))
  File "/home/hayesall/miniconda3/envs/stackoverflow/lib/python3.7/site-packages/sklearn/linear_model/_base.py", line 309, in predict
    scores = self.decision_function(X)
  File "/home/hayesall/miniconda3/envs/stackoverflow/lib/python3.7/site-packages/sklearn/linear_model/_base.py", line 289, in decision_function
    % (X.shape[1], n_features))
ValueError: X has 2 features per sample; expecting 6