问如何保存和加载xgboost模型？

EN

下面是我解决这个问题的方法：

import pickle
file_name = "xgb_reg.pkl"

# save
pickle.dump(xgb_model, open(file_name, "wb"))

# load
xgb_model_loaded = pickle.load(open(file_name, "rb"))

# test
ind = 1
test = X_val[ind]
xgb_model_loaded.predict(test)[0] == xgb_model.predict(test)[0]

Out[1]: True

两个函数save_model和dump_model都保存模型，区别是在dump_model中您可以保存特征名和保存树的文本格式。

load_model将与来自save_model的模型一起工作。例如，dump_model的模型可以与xgbfi一起使用。

在加载模型期间，需要指定保存模型的路径。在示例中，bst.load_model("model.bin")模型是从文件model.bin加载的--它只是一个带有模型的文件名。祝好运!

编辑：在Xgboost文档中(对于1.3.3版本)，应该使用dump_model()来保存模型以供进一步解释。为了保存和加载模型，应该使用save_model()和load_model()。有关更多细节，请查看文档。

Learning API和Xgboost的Scikit-Learn API也有区别。后者保存了best_ntree_limit变量，该变量是在训练过程中设置的，具有早期停止。您可以在我的文章如何在Python中保存和加载Xgboost？中阅读详细信息。

save_model()方法识别文件名的格式，如果指定了*.json，那么模型将保存在JSON中，否则就是文本文件。

保存和加载xgboost模型的一种简单方法是使用joblib库。

import joblib
#save model
joblib.dump(xgb, filename) 

#load saved model
xgb = joblib.load(filename)