Databricks中XGBModel报无feature_types属性错误，求排查原因

• 模型保存方式不规范
  XGBoost官方不建议直接用pickle保存模型，pickle容易丢失模型元数据（比如feature_types），尤其是跨环境或版本迁移时。正确的做法是用XGBoost自带的save_model()和load_model()方法：

  # 重新保存模型（训练环境中执行）
  model.save_model('/.../model.json')
  
  # 加载模型（当前Databricks环境中执行）
  import xgboost as xgb
  # 注意要和原模型类型一致，比如原模型是XGBClassifier就用这个类初始化
  model = xgb.XGBClassifier()
  model.load_model('/.../model.json')
  

• 模型加载时类型不匹配
  如果原模型是XGBClassifier或XGBRegressor这类具体子类，但你直接用pickle加载后当成泛型XGBModel使用，就可能出现属性缺失。加载时必须明确初始化对应的模型类，再加载权重。

• Databricks数据类型冲突
  在Databricks中，若输入的df[features]是Spark DataFrame列，其数据类型可能和训练时的特征类型（比如numpy数组、Pandas列）不匹配，触发XGBoost内部对feature_types的校验。可以先把数据转成Pandas DataFrame再预测：

  model.predict_proba(df[features].toPandas())
  

  同时检查特征列的数据类型，确保和训练集的dtype完全一致。

• 环境依赖的细微版本差异
  即使指定了XGBoost版本，若训练环境和当前Databricks环境的其他依赖（比如scikit-learn、numpy）版本不一致，也可能导致pickle加载的模型不完整。解决办法要么完全对齐所有依赖版本，要么改用XGBoost官方的模型保存方式彻底规避版本问题。

内容的提问来源于stack exchange，提问作者Mikee