低版本XGBoost重存模型是否影响性能？跨环境加载遇错求助

我在本地Python 3.9.6 + XGBoost==1.6.1环境中，通过以下代码用pickle保存了模型：

filename = 'model.sav'
pickle.dump(model, open(filename, 'wb'))

但需要将该模型加载到Python 3.6.9 + XGBoost==1.5.2的环境中，且无法升级目标环境的Python版本以适配XGBoost1.6.1。请问有什么办法能在该环境中打开模型？若在本地卸载重装旧版XGBoost并重存模型，是否会影响模型性能？

更新：尝试解决方案后出现错误 #

我尝试了James提供的解决方案，但出现如下错误：

File "/home/ubuntu/.local/lib/python3.6/site-packages/xgboost/core.py", line 218, in _check_call
    raise XGBoostError(py_str(_LIB.XGBGetLastError()))
xgboost.core.XGBoostError: [14:36:00] ../include/xgboost/json.h:73: 类型转换无效，从整数转为布尔值
堆栈跟踪：
  [bt] (0) /home/ubuntu/.local/lib/python3.6/site-packages/xgboost/lib/libxgboost.so(+0xcb05d) [0x7fe0cb50b05d]
  [bt] (1) /home/ubuntu/.local/lib/python3.6/site-packages/xgboost/lib/libxgboost.so(+0xd40a5) [0x7fe0cb5140a5]
  [bt] (2) /home/ubuntu/.local/lib/python3.6/site-packages/xgboost/lib/libxgboost.so(+0x24a7f0) [0x7fe0cb68a7f0]
  [bt] (3) /home/ubuntu/.local/lib/python3.6/site-packages/xgboost/lib/libxgboost.so(+0x1996f2) [0x7fe0cb5d96f2]
  [bt] (4) /home/ubuntu/.local/lib/python3.6/site-packages/xgboost/lib/libxgboost.so(+0x17a712) [0x7fe0cb5ba712]
  [bt] (5) /home/ubuntu/.local/lib/python3.6/site-packages/xgboost/lib/libxgboost.so(+0x1b6432) [0x7fe0cb5f6432]
  [bt] (6) /home/ubuntu/.local/lib/python3.6/site-packages/xgboost/lib/libxgboost.so(XGBoosterLoadModel+0x5c8) [0x7fe0cb4dec08]

可行解决方案 #

方案1：用XGBoost原生格式导出/导入（优先推荐） #

XGBoost自带的模型存储格式兼容性远优于pickle，在Python 3.9.6 + XGBoost==1.6.1环境中执行：

# 用原生格式保存模型
model.save_model('model.xgb')

然后在目标环境Python 3.6.9 + XGBoost==1.5.2中加载：

import xgboost as xgb
# 原生Booster模型加载
model = xgb.Booster()
model.load_model('model.xgb')

# 若是Scikit-learn接口的XGBClassifier/XGBRegressor
from xgboost import XGBClassifier
model = XGBClassifier()
model.load_model('model.xgb')

方案2：回退本地XGBoost版本重存模型（无性能影响） #

卸载本地高版本XGBoost，安装1.5.2：

pip uninstall xgboost -y
pip install xgboost==1.5.2

在Python3.9.6+XGBoost1.5.2环境中重新加载原pickle模型，再重新保存：

import pickle
model = pickle.load(open('model.sav', 'rb'))
pickle.dump(model, open('model_v152.sav', 'wb'))

关于性能影响：只要不修改模型的结构、训练参数和权重，仅仅用旧版本XGBoost重新保存，完全不会影响模型预测性能。因为保存的是模型训练后的核心数据（树结构、特征权重等），XGBoost同系列小版本（1.5.x到1.6.x）对这些数据的存储逻辑是兼容的，重存只是转换为旧版本能识别的序列化格式。

针对更新中的错误处理 #

你遇到的「整数转布尔值」类型错误，是因为XGBoost1.6.1序列化时将部分布尔参数用整数格式存储，而1.5.2的解析逻辑无法识别。这种情况下直接用方案1的原生格式导出/导入就能解决问题，原生格式的兼容性设计就是为了规避这类跨版本序列化差异。

内容的提问来源于stack exchange，提问作者mjoy