将XGBClassifier模型转换为ONNX时如何解决特征名称错误？

你训练XGBClassifier时使用了自定义特征名（比如报错里的state），但onnxmltools的convert_xgboost方法默认要求特征名必须是f0、f1、f2这类数字索引格式，所以解析自定义特征名时触发了错误。

方法1：重置模型特征名为默认格式 #

直接把XGBoost模型的特征名改成f%d格式，匹配转换器的要求：

import onnxmltools 
from skl2onnx.common.data_types import FloatTensorType

# 获取特征总数
num_features = X_train.shape[1]
# 重置模型的特征名为f0、f1...fn-1
xgb.xgb_category_cls._Booster.feature_names = [f"f{i}" for i in range(num_features)]

# 执行转换
initial_types = [('float_input', FloatTensorType([None, num_features]))]
xgb_onnx = onnxmltools.convert_xgboost(xgb.xgb_category_cls, initial_types=initial_types)
onnxmltools.utils.save_model(xgb_onnx, 'xgb_onnx.onnx')

方法2：改用skl2onnx转换（推荐） #

onnxmltools的很多功能已整合到skl2onnx，后者对自定义特征名的支持更友好，无需修改特征名即可转换：

from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType

initial_types = [('float_input', FloatTensorType([None, X_train.shape[1]]))]
# XGBClassifier兼容scikit-learn接口，直接用convert_sklearn转换
xgb_onnx = convert_sklearn(xgb.xgb_category_cls, initial_types=initial_types)
onnxmltools.utils.save_model(xgb_onnx, 'xgb_onnx.onnx')

内容的提问来源于stack exchange，提问作者nechi