R语言如何从已保存的train类XGBoost模型Rdata文件中提取全量信息？

你的模型对象属于R语言caret包输出的train类训练结果，所有训练相关元数据都封装在对象的内置属性中，无需原始训练数据即可提取你需要的各类信息，具体操作如下：

1. 特征相关信息提取 #

• 特征名称列表：执行model_$coefnames，可直接输出模型训练用到的10个预测特征的准确名称
• 特征类型、取值样例：执行str(model_$trainingData)，可查看训练数据集的完整结构，包含所有特征的类型（数值/因子等）、部分取值样例，以及目标变量的取值规则
• 特征变换规则：从你的模型打印结果可知训练时标注了No pre-processing，说明未做任何标准化、编码等特征变换，输入特征原始值即可直接用于预测。如果存在预处理逻辑，可执行model_$preProcess查看所有变换规则和参数

2. 训练与超参数信息提取 #

• 完整交叉验证结果：执行model_$results，可输出所有调参组合对应的Accuracy、Kappa等评估指标的详细结果
• 最优模型超参数：执行model_$bestTune，可得到最终选定模型的所有超参数取值，比打印输出的信息更完整准确
• 评估指标明细：执行model_$resample可查看5折交叉验证每一轮的指标结果，执行model_$metric可查看模型选择时使用的核心评估指标

3. 底层XGBoost模型信息提取 #

caret的train对象中封装了原生XGBoost模型，存储在model_$finalModel属性中：

• 查看XGBoost模型完整结构：执行str(model_$finalModel)
• 提取特征重要性：加载xgboost包后执行xgb.importance(model = model_$finalModel)
• 可直接使用该原生模型完成预测、查看树结构等所有xgboost包支持的操作

4. 输入输出格式验证 #

你可以构造和训练集格式一致的样例输入测试预测逻辑，示例代码如下：

# 按实际特征名、特征类型补全测试样例
test_sample <- data.frame(
  feature1 = 1.2,
  feature2 = 5,
  # 依次补全所有10个特征
)
# 预测类别
predict(model_, newdata = test_sample)
# 预测类别概率
predict(model_, newdata = test_sample, type = "prob")

内容的提问来源于stack exchange，提问作者Chris