Python函数传ML模型对象报CatBoostClassifier不可调用错误

现有一个通用机器学习任务执行函数，设计目标是接收不同类型的ML模型（示例用CatBoost，可替换为Random Forest、XGBoost等），自动完成训练、预测、评估全流程，初始实现代码如下：

def run_final_model(model,params,X_train,X_test,y_train,y_test):
    model.final = model(**params)
    model.fitted =  model.final.fit(X_train,y_train)
    y_pred = model.predict(y_test)
    print('Generalization Score: '+ round(accuracy_score(y_pred,y_test),1))
    print(classification_report(y_test,y_pred))

## Calling the Function that Fits,Predicts and Output the Confusion Matrix Results
run_final_model(,catboost_best_params,X_train_prepared,X_test_prepared,y_train,y_test)

调用函数时触发以下报错：

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
C:\Users\FRANCI~1.COL\AppData\Local\Temp/ipykernel_15116/15558614.py in <module>
      1 ## Calling the Function that Fits,Predicts and Output the Confusion Matrix Results
      2 
----> 3 run_final_model(CatBoostClassifier(),catboost_best_params,X_train_prepared,X_test_prepared,y_train,y_test)

C:\Users\FRANCI~1.COL\AppData\Local\Temp/ipykernel_15116/3739208688.py in run_final_model(model, params, X_train, X_test, y_train, y_test)
      1 def run_final_model(model,params,X_train,X_test,y_train,y_test):
----> 2     model.final = model(**params)
      3     model.fitted =  model.final.fit(X_train,y_train)
      4     y_pred = model.predict(y_test)
      5 

TypeError: 'CatBoostClassifier' object is not callable

已定位报错根因：函数内部预期接收可实例化的模型类（如CatBoostClassifier类本身），但实际传入的是已经完成实例化的模型对象，实例对象无法被二次调用执行实例化逻辑。目前通过额外编写函数提取模型名称、增加if条件分支的方式做适配，需要更简洁优雅的实现方案。

方案1：统一入参规范（最推荐，无额外适配成本） #

直接规范函数入参要求：调用时必须传入模型类本身，不要提前加括号实例化，同时修正原代码中存在的3个逻辑bug：

• 预测阶段错误将y_test传入predict方法，正确入参应为X_test
• 打印准确率时直接用+拼接字符串和浮点数会触发类型错误
• 随意给传入对象绑定final/fitted属性会造成不必要的属性污染
  修正后的代码如下：

from sklearn.metrics import accuracy_score, classification_report

def run_final_model(model_class, params, X_train, X_test, y_train, y_test):
    fitted_model = model_class(**params).fit(X_train, y_train)
    y_pred = fitted_model.predict(X_test)
    print(f'Generalization Score: {round(accuracy_score(y_test, y_pred), 1)}')
    print(classification_report(y_test, y_pred))
    return fitted_model

# 调用时直接传模型类，不要加()实例化
run_final_model(
    CatBoostClassifier,
    catboost_best_params,
    X_train_prepared,
    X_test_prepared,
    y_train,
    y_test
)

这种写法逻辑最清晰，没有多余判断，所有符合Scikit-learn API规范的模型都可以直接兼容。

方案2：自动兼容类/实例两种入参场景 #

如果确实需要同时支持传模型类和传已实例化模型对象两种调用方式，不需要针对不同模型写分支判断类名，用Python内置的inspect模块即可自动识别入参类型，适配代码非常简洁：

import inspect
from sklearn.metrics import accuracy_score, classification_report

def run_final_model(model, params, X_train, X_test, y_train, y_test):
    if inspect.isclass(model):
        # 传入的是模型类，直接实例化后训练
        fitted_model = model(**params).fit(X_train, y_train)
    else:
        # 传入的是已实例化对象，更新参数后训练
        fitted_model = model.set_params(**params).fit(X_train, y_train)
    y_pred = fitted_model.predict(X_test)
    print(f'Generalization Score: {round(accuracy_score(y_test, y_pred), 1)}')
    print(classification_report(y_test, y_pred))
    return fitted_model

该写法对所有符合Scikit-learn API规范的模型（CatBoost、XGBoost、Random Forest等）都生效，不需要为单个模型单独写适配逻辑。

内容的提问来源于stack exchange，提问作者Francisco Colina