加载Pickle格式XGBoost模型后，预测输出逆变换报错如何解决

错误原因分析 #

你遇到的两个错误本质是没有复用训练阶段的StandardScaler实例，且混淆了输入/输出特征的标准化逻辑：

1. NotFittedError：新建的StandardScaler未经过fit，没有训练数据集的均值、标准差等核心参数，无法执行逆变换操作。
2. ValueError：输入是2维特征，若错误使用仅拟合过1维输出的Scaler做变换，或变换后维度与模型期望不匹配，就会触发形状兼容报错。

核心解决思路 #

训练时必须同时保存输入特征的StandardScaler和输出标签的StandardScaler（你需要对预测结果做逆变换，说明训练时输出也做了标准化），预测阶段直接加载这两个已拟合好的Scaler，而非新建实例。

具体步骤 #

1. 补全训练阶段的Scaler保存逻辑 #

训练模型时，除了保存XGBoost模型，还要把拟合好的Scaler存为Pickle文件：

# 训练示例代码
import pickle
import xgboost as xgb
from sklearn.preprocessing import StandardScaler

# 假设X_train是2维输入特征，y_train是1维输出标签
# 处理输入特征的标准化
sc_X = StandardScaler()
X_train_scaled = sc_X.fit_transform(X_train)

# 处理输出标签的标准化（因为需要逆变换，训练时必须执行此步骤）
sc_y = StandardScaler()
y_train_scaled = sc_y.fit_transform(y_train.values.reshape(-1, 1))

# 训练XGBoost模型
model = xgb.XGBRegressor()
model.fit(X_train_scaled, y_train_scaled.ravel())

# 保存模型和两个Scaler
pickle.dump(model, open('model_1.pkl', 'wb'))
pickle.dump(sc_X, open('scaler_X.pkl', 'wb'))
pickle.dump(sc_y, open('scaler_y.pkl', 'wb'))

2. 修改预测代码，复用训练好的Scaler #

预测时加载保存的Scaler，按「输入标准化→模型预测→输出逆变换」的流程执行：

import pandas as pd
import pickle

raw_data = pd.DataFrame(data, columns=columns)
raw_data['X'] = raw_data['X'].astype(float)
raw_data['Y'] = raw_data['Y'].astype(float)

# 加载训练好的模型和Scaler
xgb_model_loaded = pickle.load(open('model_1.pkl', 'rb'))
sc_X = pickle.load(open('scaler_X.pkl', 'rb'))
sc_y = pickle.load(open('scaler_y.pkl', 'rb'))

# 对输入特征做标准化（仅用transform，不能用fit_transform）
X_test_scaled = sc_X.transform(raw_data)

# 模型生成标准化后的预测结果
output_scaled = xgb_model_loaded.predict(X_test_scaled)

# 对预测结果做逆变换，还原为实际值
output = sc_y.inverse_transform(output_scaled.reshape(-1, 1))
print(output)

关键注意事项 #

• 绝对不能在预测阶段新建StandardScaler实例，必须复用训练时拟合好的，否则标准化/逆变换的参数与训练时不一致，结果完全无效。
• 输入特征的Scaler和输出标签的Scaler要分开保存和使用，前者处理2维输入，后者处理1维输出，避免维度不匹配问题。

内容的提问来源于stack exchange，提问作者qvecb