如何正确定义加载预训练随机森林模型的预测类？

你的错误根源在于：继承RandomForestClassifier后，直接调用父类的predict方法，但当前类实例并未经过拟合（你是加载预训练模型，而非调用fit训练）；同时load_model方法无返回值，导致self.model被赋值为None，逻辑完全错位。

下面提供两种可行的修正方案：

方案一：简单封装类（推荐新手使用） #

无需继承RandomForestClassifier，直接将预训练模型作为类的属性封装，逻辑更清晰：

import os
import joblib
import numpy as np

class MODEL_RF:
    def __init__(self, model_path):
        # 初始化时直接加载预训练模型
        self.model = joblib.load(os.path.join(model_path, 'rf.pkl'))
    
    def get_pred(self, df):
        validation_features = np.array(df)
        # 调用加载好的模型的预测方法
        pred = self.model.predict(validation_features)
        predict_prob = self.model.predict_proba(validation_features)
        return pred, predict_prob

# 使用示例
model_m = MODEL_RF(r"the path of the model")
prediction, probs = model_m.get_pred(input_df)

方案二：继承RandomForestClassifier（保留sklearn Estimator特性） #

如果需要让你的类保留sklearn分类器的原生方法，可以通过复制预训练模型的属性到当前实例：

from sklearn.ensemble import RandomForestClassifier
import os
import joblib
import numpy as np

class MODEL_RF(RandomForestClassifier):
    def __init__(self, model_path, **kwargs):
        # 调用父类构造函数初始化基础参数
        super().__init__(**kwargs)
        # 加载预训练模型
        pretrained_model = joblib.load(os.path.join(model_path, 'rf.pkl'))
        # 将预训练模型的所有属性复制到当前实例
        self.__dict__.update(pretrained_model.__dict__)
    
    def get_pred(self, df):
        validation_features = np.array(df)
        # 直接调用父类的预测方法（此时实例已具备预训练状态）
        pred = self.predict(validation_features)
        predict_prob = self.predict_proba(validation_features)
        return pred, predict_prob

# 使用示例
model_m = MODEL_RF(r"the path of the model")
prediction, probs = model_m.get_pred(input_df)

内容的提问来源于stack exchange，提问作者palash