减少决策树模型分割要素所需的要素空间

Question

首先从这里出现错误，但是注释掉并没有帮助： 〜/ miniconda2 / envs / ipykernel_py3 / lib / python3.6 / site-packages / sklearn / tree / tree.py

 380         if self.n_features_ != n_features:
 381             raise ValueError("Number of features of the model must "
 382                              "match the input. Model n_features is %s and "
 383                              "input n_features is %s "
 384                              % (self.n_features_, n_features))

错误本身是明确的，但尚不清楚的是为什么存在此约束。此实现细节使部署模型非常困难。不需要要求训练后的模型使用训练中提供的相同特征空间进行预测。预测只需要实际引起分裂的特征。

有人可以建议一种减少训练模型的方法吗（在我的案例中是基于树的集成方法（GradientBoostingClassifer））对特征空间的要求，因此我只提供模型需要预测的最小特征？