XGBoost分类器输入全NaN仍输出预测，如何设置参数返回NaN？

XGBoost本身没有内置参数能让全NaN输入直接输出NaN——因为模型训练阶段就已经学会了如何处理缺失值（默认会为每个分裂节点记录缺失值的走向），所以哪怕输入全是NaN，模型依然会沿着训练时确定的路径给出预测结果。

要实现全NaN输入返回NaN，你可以手动添加检查逻辑，这里提供两种实用方法：

• 预测前直接检查
  在调用predict()前，先判断输入是否所有特征都是NaN，是就返回NaN，否则正常预测：

  import numpy as np
  import xgboost as xgb
  
  # 假设已训练好模型
  trained_model = xgb.XGBClassifier()
  trained_model.fit(X_train, y_train)
  
  # 待预测输入
  X_test = np.full((1, X_train.shape[1]), np.nan)
  
  # 全NaN检查
  if np.all(np.isnan(X_test)):
      prediction = np.nan
  else:
      prediction = trained_model.predict(X_test)
  

• 用自定义类包装模型
  把XGBoost分类器包装成自定义类，重写predict方法内置检查逻辑，后续使用更省心：

  import numpy as np
  import xgboost as xgb
  
  class XGBWithNaNGuard(xgb.XGBClassifier):
      def predict(self, X, **kwargs):
          # 检查输入是否全为NaN
          if np.all(np.isnan(X)):
              # 返回和正常预测同结构的NaN数组
              return np.array([np.nan] * X.shape[0])
          # 正常情况调用父类方法
          return super().predict(X, **kwargs)
  
  # 使用自定义模型
  model = XGBWithNaNGuard()
  model.fit(X_train, y_train)
  
  # 全NaN输入会返回NaN
  print(model.predict(np.full((2, 5), np.nan)))  # 输出 [nan nan]
  

补充说明：XGBoost的缺失值处理核心是训练时为每个节点确定缺失值的分裂方向，所以即使输入全NaN，模型也能基于这些规则遍历到叶节点，输出对应预测值。要让这种场景返回NaN，只能通过外部逻辑干预。

内容的提问来源于stack exchange，提问作者Arindam