如何保存＆amp;加载xgboost模型？

Question

在XGBoost guide，

的链接上

1. 可以保存模型。 unsigned
2. 模型及其特征图也可以转储到文本文件中 bst.save_model('0001.model')
3. 可以按如下方式加载已保存的模型： bst.dump_model('dump.raw.txt') # dump model bst.dump_model('dump.raw.txt','featmap.txt')# dump model with feature map

我的问题是：

1. bst = xgb.Booster({'nthread':4}) #init model bst.load_model("model.bin") # load data ＆amp;之间有什么区别？ save_model？
2. 保存dump_model和'0001.model'之间的区别是什么？
3. 为什么加载'dump.raw.txt','featmap.txt'的模型名称与要保存的名称model.bin不同？
4. 假设我训练了两个模型0001.model和model_A，我想保存这两个模型以备将来使用，model_B＆amp;我应该使用save功能吗？你能帮忙展示一下清晰的过程吗？

Answer 1

两个函数save_model和dump_model都保存模型，区别在于dump_model中您可以保存要素名称并以文本格式保存树。

load_model适用于save_model的模型。 dump_model中的模型可以用于xgbfi。

在加载模型期间，您需要指定模型的保存路径。在示例中bst.load_model("model.bin")模型是从文件model.bin加载的 - 它只是带有模型的文件名。祝你好运！

Answer 2

我在这里找到了出路，因为我正在寻找一种保存和加载我的xgboost模型的方法。这是我解决问题的方法：

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

Answer 3

请勿使用pickle或joblib，因为这可能会导致对xgboost版本的依赖。保存和还原模型的规范方法是通过load_model和save_model。

如果要存储或归档模型以进行长期存储，请使用save_model（Python）和xgb.save（R）。

This是有关XGBoost最新版本的相关文档。它还说明了dump_model和save_model之间的区别。

请注意，使用bst.save_model时，可以通过将json指定为扩展名来将模型序列化/反序列化为json。如果保存和恢复模型的速度对您而言并不重要，那么这将非常方便，因为它是一个简单的文本文件，因此您可以对模型进行适当的版本控制。

Answer 4

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)

Answer 5

如果您使用的是sklearn api，则可以使用以下内容：

build.gradle.kts

如果使用上述的booster方法进行加载，则会在python API中获得xgboost增强器，而不是sklearn API中的sklearn增强器。

是的，如果您使用的是sklearn api，这似乎是加载已保存的xgboost模型数据的最Python方式。