将Sklearn随机森林回归模型转换为iOS可用的Core ML模型

一、input_features参数匹配说明 #

• 不需要和原特征矩阵X的特征名严格匹配，但必须保证特征顺序完全一致。Core ML模型推理时是按输入数组的顺序对应训练时的特征顺序，特征名仅用于标识，不影响计算逻辑。
• 当X是无特征标签的np.ndarray时，你可以手动生成任意合法的特征名列表（比如["feature_0", "feature_1", ..., "feature_n"]），只要数量和X的特征维度一致即可。

二、无特征标签矩阵的模型转换步骤 #

假设你的Sklearn随机森林回归模型已训练完成，X为(样本数, 特征数)格式的np.ndarray，步骤如下：

1. 生成输入特征名列表：根据X的特征维度批量生成名称

   feature_count = X.shape[1]
   input_features = [f"feature_{i}" for i in range(feature_count)]
   

2. 转换并保存Core ML模型

   import coremltools as ct
   from sklearn.ensemble import RandomForestRegressor
   
   # 假设rf_model是训练好的随机森林回归模型
   rf_model = RandomForestRegressor()
   # 此处省略训练、缺失值插补步骤
   
   # 执行转换
   coreml_model = ct.converters.sklearn.convert(
       rf_model,
       input_features=input_features,
       output_feature_names=["esg_score"]
   )
   
   # 保存模型文件
   coreml_model.save("ESGPredictor.mlmodel")
   

3. 验证模型结构：打印coreml_model可查看输入输出特征的维度、名称信息，确认参数匹配。

三、Swift端模型使用示例 #

1. 导入模型 #

将生成的ESGPredictor.mlmodel拖入Xcode项目，Xcode会自动生成同名Swift类。

2. 基础推理代码 #

import CoreML

// 输入特征数组：顺序必须和训练时的特征顺序完全一致
let inputFeatures: [Double] = [0.2, 1.5, 3.0] // 替换为实际特征值

do {
    // 初始化模型
    let model = try ESGPredictor(configuration: .init())
    // 构造输入：按模型生成的特征名依次传入值
    let input = ESGPredictorInput(
        feature_0: inputFeatures[0],
        feature_1: inputFeatures[1],
        feature_2: inputFeatures[2]
        // 特征数量多的话依次补全feature_n
    )
    // 执行预测
    let output = try model.prediction(input: input)
    // 获取ESG评分结果
    let esgScore = output.esg_score
    print("预测ESG评分：\(esgScore)")
} catch {
    print("模型加载/预测失败：\(error.localizedDescription)")
}

3. 批量特征简化输入（可选） #

如果特征数量较多，可通过反射简化输入构造：

import CoreML

func predictESG(features: [Double]) -> Double? {
    // 先校验特征数量是否匹配
    guard features.count == 你的特征总数 else { return nil }
    do {
        let model = try ESGPredictor(configuration: .init())
        let inputNames = model.modelDescription.inputDescriptionsByName.keys
        var inputDict = [String: Any]()
        // 按顺序映射特征名和输入值
        for (index, name) in inputNames.enumerated() {
            inputDict[name] = features[index]
        }
        let input = try ESGPredictorInput(dictionary: inputDict)
        let output = try model.prediction(input: input)
        return output.esg_score
    } catch {
        print("错误：\(error)")
        return nil
    }
}

// 使用示例
if let score = predictESG(features: [0.2, 1.5, 3.0]) {
    print("ESG评分：\(score)")
}

内容的提问来源于stack exchange，提问作者Миршод Махсудов