如何保存和加载xgboost模型？

Question

在XGBoost指南的链接上,

1. 可以保存模型. bst.save_model('0001.model')
2. 模型及其特征映射也可以转储到文本文件中.
   bst.dump_model('dump.raw.txt') # dump model bst.dump_model('dump.raw.txt','featmap.txt')# dump model with feature map
3. 可以按如下方式加载已保存的模型: bst = xgb.Booster({'nthread':4}) #init model bst.load_model("model.bin") # load data

我的问题是:

1. save_model&之间有什么区别dump_model？
2. 保存'0001.model'和'dump.raw.txt','featmap.txt'？之间的区别是什么？
3. 为什么加载的型号名称model.bin与要保存的名称不同0001.model？
4. 假设我训练两个模型model_A和model_B,我想保存这两种模式以供将来使用,这save和load我应该使用功能？你能帮忙展示清楚的过程吗？

Answer 1

如果您使用 sklearn api，您可以使用以下命令：

xgb_model_latest = xgboost.XGBClassifier() # or which ever sklearn booster you're are using

xgb_model_latest.load_model("model.json") # or model.bin if you are using binary format and not the json

如果您使用上述 booster 方法进行加载，您将在 python api 中获得 xgboost booster，而不是 sklearn api 中的 sklearn booster。

所以，是的，如果您使用 sklearn api，这似乎是加载保存的 xgboost 模型数据的最 Pythonic 方式。

Answer 2

这两个函数save_model和dump_model保存模型,所不同的是,dump_model你可以保存功能命名并保存树文本格式.

该load_model会从模型工作save_model.该模型dump_model可以用于例如xgbfi.

在加载模型期间,您需要指定模型的保存路径.在示例bst.load_model("model.bin")模型中从文件加载model.bin- 它只是带有模型的文件的名称.祝好运!

Answer 3

Joblib库是保存和加载xgboost模型的一种简单方法。

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

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

Answer 4

我在这里找到了自己的出路，因为我正在寻找一种保存和加载xgboost模型的方式。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 5

不要使用pickle 或joblib，因为这可能会引入对xgboost 版本的依赖。保存和恢复模型的规范方法是通过load_model和save_model。

如果您想长期存储或归档模型，请使用 save_model (Python) 和 xgb.save (R)。

这是 XGBoost 最新版本的相关文档。它还解释了dump_model和之间的区别save_model。

请注意，您可以通过在使用bst.save_model. 如果保存和恢复模型的速度对您来说并不重要，这非常方便，因为它允许您对模型进行适当的版本控制，因为它是一个简单的文本文件。