为了创建一个机器学习算法，我制作了一个字典列表，并使用Scikit的DictVectorzer为每个项目制作了一个特征向量。然后，我从数据集中创建了一个SVM模型，使用部分数据进行训练，然后在测试集上测试模型（你知道，典型的方法）。一切都很好，现在我想把模型部署到野外，看看它是如何在新的、未标记的、看不见的数据上工作的。如何保存特征向量，以便新数据具有相同的大小/特征，并与SVM模型一起工作？例如，如果我想训练单词的存在：

[{
 'contains(the)': 'True',
 'contains(cat)': 'True',
 'contains(is)': 'True',
 'contains(hungry)': 'True'
 }...
]

我用一个列表来训练，这个列表中有成千上万种动物变体的同一句话。当我对列表进行向量化时，它会考虑所有提到的不同动物，并在向量中为每种动物创建一个索引（“the”、“is”和“hunger”不会改变）。现在，当我尝试在一个新句子上使用该模型时，我想预测一个项目：

[{
 'contains(the)': 'True',
 'contains(emu)': 'True',
 'contains(is)': 'True',
 'contains(hungry)': 'True'
 }]

在没有原始训练集的情况下，当我使用DictVectorizer时，它会生成：（1,1,1,1）。这比用于训练我的模型的原始向量少了几千个索引，因此SVM模型将无法使用它。或者，即使向量的长度是正确的，因为它是在一个庞大的句子上训练的，特征也可能与原始值不一致。如何获取新数据以符合训练向量的维度？永远不会有比训练集更多的功能，但并非所有功能都保证出现在新数据中。

有没有办法使用pickle保存特征向量？或者，我考虑过的一种方法是生成一个字典，其中包含值为“False”的所有可能特性。这将强制新数据进入适当的向量大小，并仅统计新数据中存在的项。

我觉得我可能没有充分描述这个问题，所以如果有什么不清楚的地方，我会尝试更好地解释。提前谢谢你！

编辑：多亏了拉斯曼的回答，解决方案非常简单：

from sklearn.pipeline import Pipeline
from sklearn import svm
from sklearn.feature_extraction import DictVectorizer

vec = DictVectorizer(sparse=False)
svm_clf = svm.SVC(kernel='linear')
vec_clf = Pipeline([('vectorizer', vec), ('svm', svm_clf)])
vec_clf.fit(X_Train,Y_Train)
joblib.dump(vec_clf, 'vectorizer_and_SVM.pkl') 

利用流水线和支持向量机对数据进行训练。现在，所有未来的模型都可以解开管道，并在SVM中内置一个特征向量器。