Загрузка обученной модели XGBoost — важнейший шаг в конвейере машинного обучения. После того, как вы обучили свою модель XGBoost, вам нужно будет знать, как ее загрузить, чтобы делать прогнозы на основе новых данных или развертывать ее в производственной среде. В этой статье мы рассмотрим различные методы загрузки моделей XGBoost на примерах кода Python.

Метод 1: использование функции XGBoost load_model

import xgboost as xgb
# Load the model
model = xgb.Booster()
model.load_model('path_to_model_file.model')
# Make predictions using the loaded model
predictions = model.predict(data)

Метод 2: использование библиотеки joblib

import joblib
# Load the model
model = joblib.load('path_to_model_file.pkl')
# Make predictions using the loaded model
predictions = model.predict(data)

Метод 3: использование модуля pickle

import pickle
# Load the model
with open('path_to_model_file.pkl', 'rb') as f:
    model = pickle.load(f)
# Make predictions using the loaded model
predictions = model.predict(data)

Метод 4. Использование библиотеки dill(для моделей с пользовательскими объектами)

import dill
# Load the model
with open('path_to_model_file.pkl', 'rb') as f:
    model = dill.load(f)
# Make predictions using the loaded model
predictions = model.predict(data)

Метод 5. Использование библиотеки cloudpickle(для распределенных сред)

import cloudpickle
# Load the model
with open('path_to_model_file.pkl', 'rb') as f:
    model = cloudpickle.load(f)
# Make predictions using the loaded model
predictions = model.predict(data)

В этой статье мы рассмотрели несколько методов загрузки моделей XGBoost с использованием различных библиотек, таких как функция load_modelXGBoost, joblib, pickle, dillи cloudpickle. В зависимости от ваших конкретных требований вы можете выбрать наиболее подходящий метод загрузки модели XGBoost. Освоив эти методы, вы будете хорошо подготовлены к эффективному развертыванию и использованию обученных моделей XGBoost в различных приложениях.