加载pickle模型后出现AttributeError：numpy.ndarray无predict方法求助

核心原因 #

你加载的model是numpy数组，而非训练好的sklearn逻辑回归模型实例，自然没有predict方法。这大概率是模型保存环节出错，误存了模型的某个numpy属性（比如系数coef_），而非整个模型对象。

修复步骤 #

1. 重新正确保存模型 #

找到当初训练模型的代码，确保保存的是完整的模型实例，而非模型的某一部分参数：

import pickle
from sklearn.linear_model import LogisticRegression

# 假设你已经完成模型训练
model = LogisticRegression()
model.fit(X_train, y_train)  # X_train是训练特征，y_train是标签

# 正确保存整个模型
with open('logistic_regression_model.pkl', 'wb') as f:
    pickle.dump(model, f)

2. 验证模型加载结果 #

重新加载模型后，打印类型确认是否为sklearn模型实例：

model = pickle.load(open('你的模型路径.pkl', 'rb'))
print(type(model))
# 正常输出应为类似 <class 'sklearn.linear_model._logistic.LogisticRegression'>

3. 修正CountVectorizer的使用错误 #

你的预测函数里调用cv.fit([cleaned_text])是错误的：训练时的CountVectorizer是基于训练集拟合的特征空间，预测时必须复用这个拟合好的Vectorizer，否则特征维度不匹配，预测结果完全无效。

解决方法：

• 训练时同时保存拟合好的CountVectorizer：

  # 训练时拟合CountVectorizer
  cv = CountVectorizer()
  X_train_vec = cv.fit_transform(X_train_text)
  
  # 保存Vectorizer
  with open('count_vectorizer.pkl', 'wb') as f:
      pickle.dump(cv, f)
  

• 预测时加载已保存的Vectorizer，直接调用transform：

  # 加载模型和Vectorizer
  model = pickle.load(open('logistic_regression_model.pkl', 'rb'))
  cv = pickle.load(open('count_vectorizer.pkl', 'rb'))
  
  # 预测函数修正
  def predict():
      email_text = "hello world"
      cleaned_text = fit_count_vectorizer(email_text)
      # 不要调用fit，直接用训练好的cv做transform
      email_features_array = cv.transform([cleaned_text])
      prediction = model.predict(email_features_array)
      probability = model.predict_proba(email_features_array)
      if prediction[0] == 1:
          result = 'Phishing'
          probability_score = probability[0][1] * 100
          print(result, probability_score)
      else:
          result = 'Legitimate'
          probability_score = probability[0][0] * 100
          print(result, probability_score)
  predict()
  

内容的提问来源于stack exchange，提问作者Azizener