해결된 질문
작성
·
241
0
선생님 이번 오징어 게임 미션을 하면서 작업형 2를 풀고 있습니다
import pandas as pd
train = pd.read_csv("../input/big-data-analytics-certification/t2-1-train.csv")
test = pd.read_csv("../input/big-data-analytics-certification/t2-1-test.csv")
train.head() #pop: 'TravelInsurance' drop:'id'
test.head() #pop:'id'
train.info() #'Employment Type','GraduateOrNot','FrequentFlyer','EverTravelledAbroad'
train.isnull().sum() #'AnnualIncome' 결측값
test.isnull().sum() #'AnnualIncome' 결측값
target = train.pop('TravelInsurance')
test_id = test.pop('id')
me = train['AnnualIncome'].mean()
train = train.fillna(me)
me = test['AnnualIncome'].mean()
test = test.fillna(me)
from sklearn.preprocessing import LabelEncoder
encoder = LabelEncoder()
train['Employment Type'] = encoder.fit_transform(train['Employment Type'])
train['GraduateOrNot'] = encoder.fit_transform(train['GraduateOrNot'])
train['FrequentFlyer'] = encoder.fit_transform(train['FrequentFlyer'])
train['EverTravelledAbroad'] = encoder.fit_transform(train['EverTravelledAbroad'])
test['Employment Type'] = encoder.fit_transform(test['Employment Type'])
test['GraduateOrNot'] = encoder.fit_transform(test['GraduateOrNot'])
test['FrequentFlyer'] = encoder.fit_transform(test['FrequentFlyer'])
test['EverTravelledAbroad'] = encoder.fit_transform(test['EverTravelledAbroad'])
from sklearn.model_selection import train_test_split
X_tr, X_val, y_tr, y_val = train_test_split(train, target, test_size=0.2, random_state=0)
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(random_state=2022)
model.fit(X_tr, y_tr)
pred = model.predict_proba(X_val)
from sklearn.metrics import roc_auc_score
roc_auc_score(y_val, pred[:,1])
이렇게 코드를 작성했는데 예측하는 단계에서
pred = model.predict_proba(test) 이걸 썼더니
X has 8 features, but RandomForestClassifier is expecting 9 features as input.
이렇게 에러가 뜨는데 뭐가 잘못됐을까요?
답변 1
0
1
에러는 train 데이터와 test 데이터 간에 특성(컬럼)의 수가 일치하지 않음을 의미합니다.
test의 컬럼과 X_tr의 컬럼을 비교해주세요!
2
그리고 인코딩 방식이 잘못되었어요!
강의에서 알려준 코드대로 또는 캐글문 제라면 캐글에서 예시 답변으로 알려준대로 레이블 인코딩 또는 원핫인코딩을 진행해 주세요
시험이 얼마 남지 않은 관계로 문제가 없는 코드를 보고 학습하는 것이 더 효과적일 것 같아요!