X has 12 features, but MinMaxScaler is expecting 1 features as input.

如果 `MinMaxScaler` 报错提示“`X` has `n` features, but `MinMaxScaler` is expecting `1` feature as input”，通常是因为在对特征进行归一化时，`X` 的形状不符合预期。

`MinMaxScaler` 要求输入的特征矩阵 `X` 的形状为 `(n_samples, n_features)`，其中 `n_samples` 表示样本数量，`n_features` 表示每个样本的特征数量。因此，如果 `X` 的形状不符合要求，就会出现上述错误提示。

解决这个问题的方法通常有以下两种：

1. 检查 `X` 的形状是否正确。确保 `X` 的形状为 `(n_samples, n_features)`，其中 `n_features` 的值应该与特征矩阵中特征的数量一致。

2. 如果 `X` 的形状本来就是 `(n_samples, n_features)`，可以尝试对每个特征分别进行归一化。具体来说，可以使用 `sklearn.preprocessing.minmax_scale` 函数，将 `axis` 参数设置为 `0`，表示对每列进行归一化。

下面是使用 `minmax_scale` 对多个特征进行归一化的示例代码：

from sklearn.preprocessing import minmax_scale
import numpy as np

# 生成一个5x3的随机矩阵作为示例
x = np.random.rand(5, 3)

# 对每个特征进行最小-最大规范化
x_norm = minmax_scale(x, axis=0)

# 输出归一化后的结果
print("原始矩阵：\n", x)
print("最小-最大规范化后的矩阵：\n", x_norm)

在上述代码中，使用 `minmax_scale` 函数对每个特征进行归一化，并将 `axis` 参数设置为 `0`，表示对每列进行归一化。这样可以避免出现“`X` has `n` features, but `MinMaxScaler` is expecting `1` feature as input”的错误提示。