将sklearn 0.21.3训练的随机森林.pkl模型适配至1.0.0+版本

方法一：旧版本环境桥接转换 #

这是最可靠的通用方案，通过旧版本环境加载模型后重新保存，消除模块路径差异：

1. 搭建旧版本依赖环境

   # 用conda创建虚拟环境（Python版本建议匹配原训练环境，比如3.7）
   conda create -n old_sklearn_env python=3.7
   conda activate old_sklearn_env
   # 安装对应版本的scikit-learn和joblib
   pip install scikit-learn==0.21.3 joblib
   

2. 加载并重新保存模型

   import joblib
   
   # 加载旧模型（如果原模型用pickle保存，替换为pickle.load）
   model = joblib.load("old_rf_model.pkl")
   # 重新保存为高版本兼容格式
   joblib.dump(model, "compatible_rf_model.pkl")
   

   重新保存后的模型，可直接在sklearn1.0.0+环境中用joblib.load导入使用。

方法二：自定义反序列化修正模块路径 #

若无法搭建旧环境，可在高版本环境中通过自定义pickle反序列化器，手动映射旧模块名到新路径：

import pickle
import joblib
from sklearn.ensemble._forest import RandomForestClassifier, RandomForestRegressor

class LegacySklearnUnpickler(pickle.Unpickler):
    def find_class(self, module, name):
        # 核心：将旧模块名替换为高版本的新模块名
        module_map = {
            "sklearn.ensemble.forest": "sklearn.ensemble._forest",
            # 若遇到其他模块报错，可在此补充映射，例如：
            # "sklearn.tree.tree": "sklearn.tree._tree"
        }
        if module in module_map:
            module = module_map[module]
        return super().find_class(module, name)

# 加载并修复模型
with open("old_rf_model.pkl", "rb") as f:
    model = LegacySklearnUnpickler(f).load()

# 验证模型可正常使用后，重新保存
joblib.dump(model, "fixed_rf_model.pkl")

注意：需根据实际报错信息，补充对应的模块映射关系，确保所有旧模块路径都被正确替换。

方法三：重新训练模型（最优长期方案） #

如果持有完整的训练数据和训练代码，直接在sklearn1.0.0+环境中重新训练模型。该方案彻底规避兼容性问题，还能利用高版本sklearn的性能优化、bug修复和新特性。

内容的提问来源于stack exchange，提问作者Janosch