scikit-learnの「valid feature names」警告

scikit-learn 1.0以降で発生する「X does not have valid feature names, but ~ was fitted with feature name」という警告について解説します。この警告はモデルの学習と予測でデータの形式が一貫していない場合に表示されます。

問題の原因

この警告は、以下のような状況で発生します：

• モデルを**データフレーム（feature namesあり）**で学習させた
• 予測時には**値のみの配列（feature namesなし）**を渡している
• データの特徴量名の型が正しくない（np.strではなくstrである必要がある）

WARNING

この警告はエラーではなく警告なので、処理は続行されます。ただし、データの順序が学習時と一致しているか確認する必要があります。

解決方法

方法1: データフレームを一貫して使用する（推奨）

学習時と予測時の両方でデータフレームを使用するのが最も安全な方法です。

import pandas as pd
from sklearn.ensemble import IsolationForest

# 学習データ（データフレーム）
X_train = pd.DataFrame({
    'feature1': [1, 2, 3, 4, 5],
    'feature2': [0.1, 0.2, 0.3, 0.4, 0.5]
})

# モデル学習
model = IsolationForest()
model.fit(X_train)

# 予測データ（データフレーム - 同じ特徴量名を持つ）
X_test = pd.DataFrame({
    'feature1': [6, 7],
    'feature2': [0.6, 0.7]
})

# 警告なしで予測
predictions = model.predict(X_test)

方法2: 値のみを使用する

学習時と予測時の両方で.valuesを使用してnumpy配列を渡す方法です。

# 学習データを値のみで使用
model.fit(X_train.values)

# 予測も値のみで行う
predictions = model.predict([[6, 0.6], [7, 0.7]])

方法3: 特徴量名の型を確認する

特徴量名がnp.str型ではなく、通常のstr型であることを確認します。

# 問題がある場合
feature_names = ds.feature.values  # np.str型になる可能性あり

# 修正後
feature_names = ds.feature.values.tolist()  # str型のリストを確保

具体例

DecisionTreeClassifierの場合

警告が発生するコード

from sklearn.tree import DecisionTreeClassifier
import pandas as pd

# データ準備
X = pd.DataFrame({'age': [25, 30, 35], 'income': [50000, 60000, 70000]})
y = [0, 1, 0]

# モデル学習（データフレームで学習）
model = DecisionTreeClassifier()
model.fit(X, y)

# 予測（配列で予測 - 警告発生）
predictions = model.predict([[28, 55000]])

修正後のコード

# 方法A: 両方データフレーム使用
X_train = pd.DataFrame({'age': [25, 30, 35], 'income': [50000, 60000, 70000]})
X_test = pd.DataFrame({'age': [28], 'income': [55000]})
model.fit(X_train, y)
predictions = model.predict(X_test)

# 方法B: 両方値を使用
model.fit(X.values, y)
predictions = model.predict([[28, 55000]])

既存のモデルを使用する場合

既に学習済みのモデル（pickleファイルなど）がある場合、予測時には正しい特徴量名を持つデータフレームを作成します。

# 特徴量名のリストを取得（モデルごとに異なる）
feature_names = ["age", "income", "gender"]  # 実際の特徴量名に置き換え

# 予測用データを作成
new_data = pd.DataFrame([[25, 50000, 1]], columns=feature_names)
predictions = model.predict(new_data)

まとめ

scikit-learnの「valid feature names」警告は、データの形式の不一致によって発生します。以下のいずれかの方法で解決できます：

1. 一貫性を持たせる：学習と予測で同じデータ形式（ともにデータフレームまたはともに配列）を使用する
2. 特徴量名を確認する：特徴量名が正しい型（str）であることを確認する
3. データフレームを使用する（推奨）：特徴量名があることでデータの意図しない順序変更を防げる

データフレームを使用する方法は、特征量の順序が正しいことを保証し、コードの可読性も向上させるため、最も安全なアプローチです。