TensorFlow决策森林增量学习：模型保存加载及任务不匹配报错解决

报错原因与修复 #

你的报错核心是模型的任务类型（CLASSIFICATION）与数据集转换时指定的任务类型（REGRESSION）不匹配，修复步骤：

• 检查原始模型训练代码：确认创建模型时是否明确指定了回归任务，正确代码应为：

  import tensorflow_decision_forests as tfdf
  model = tfdf.keras.RandomForestModel(task=tfdf.keras.Task.REGRESSION)
  

  如果之前误写为Task.CLASSIFICATION，模型本身就是分类任务，加载后自然和回归数据集冲突，需要重新训练正确的回归模型。
• 检查数据集转换代码：确认pd_dataframe_to_tf_dataset的task参数是否和模型一致，正确写法：

  train_ds = tfdf.keras.pd_dataframe_to_tf_dataset(train_df, label="target_column", task=tfdf.keras.Task.REGRESSION)
  

  不要在这里指定和模型不同的任务类型。

TF-DF模型正确保存与加载 #

保存模型 #

训练完成后，使用TF-DF推荐的SavedModel格式保存，代码：

# 保存模型到指定路径
model.save("./saved_regression_model")
# 或者用TF-DF专用方法
tfdf.keras.save_model(model, "./saved_regression_model")

加载模型 #

加载时优先使用TF-DF的专用加载方法，避免自定义对象问题：

loaded_model = tfdf.keras.load_model("./saved_regression_model")
# 验证模型任务类型，确保是REGRESSION
print("Model task:", loaded_model.task)

如果输出是CLASSIFICATION，说明你加载的是错误的分类模型，需要重新保存正确的回归模型。

TF-DF模型增量学习要点 #

TF-DF的增量学习是在已有模型基础上添加新决策树，而非更新原有树，注意以下几点：

• 特征一致性：新数据的特征名称、类型（数值/类别）必须和原始训练数据完全一致，否则会导致特征不匹配报错。
• 增量训练代码：加载模型后，调用fit时使用add_trees参数指定要新增的树数量，示例：

  # 加载已训练的回归模型
  loaded_model = tfdf.keras.load_model("./saved_regression_model")
  # 转换新数据为TF数据集
  new_train_ds = tfdf.keras.pd_dataframe_to_tf_dataset(new_train_df, label="target_column", task=tfdf.keras.Task.REGRESSION)
  # 增量训练，新增50棵树
  loaded_model.fit(new_train_ds, add_trees=50)
  # 保存增量训练后的模型
  loaded_model.save("./updated_regression_model")
  

• 任务类型锁死：增量训练全程必须保证模型任务类型为REGRESSION，不要在任何环节切换为分类任务。

内容的提问来源于stack exchange，提问作者Swasthik Shivananda