MLFlow加载XGBoost模型后调用plot_importance无特征名如何解决？

这不是你存储方式的错误，是MLflow对XGBoost模型的默认序列化逻辑导致的特性：
XGBoost模型存储预测必需的权重参数时，不会主动把feature_names属性纳入默认序列化字段，MLflow的mlflow.xgboost.log_model默认仅保留模型预测所需的核心内容，你从MLflow加载回来的模型可以正常执行预测逻辑，但feature_names属性为空，因此xgboost.plot_importance只能用f0、f1这类自动生成的编号代替原始特征名。

你可以通过调整存储、加载逻辑解决该问题，不需要修改原有模型训练逻辑：

• 存储阶段，在调用mlflow.xgboost.log_model的同时，额外把训练使用的特征名列表存入MLflow：

# 训练时的特征名列表示例
feature_names = ["col_1", "col_2", "col_3"]
# 原有模型存储逻辑
mlflow.xgboost.log_model(model, "model")
# 新增：存储特征名，可选择存为参数或者独立的文本/JSON artifact
mlflow.log_param("train_feature_names", ",".join(feature_names))

• 加载阶段，读取模型后手动把特征名赋值回模型对象即可：

model = mlflow.xgboost.load_model("models:/model_uri")
# 读取当前run下存储的特征名
run = mlflow.get_run(RUN_ID)
loaded_feature_names = run.data.params["train_feature_names"].split(",")
# 赋值回模型属性
model.feature_names = loaded_feature_names
# 此时可正常绘制带特征名的重要性图
xgboost.plot_importance(model)

如果你使用的是scikit-learn接口的XGBClassifier/XGBRegressor，需要确保训练时在fit方法中传入了feature_names参数，否则原生模型本身也不会保留特征名属性。

内容的提问来源于stack exchange，提问作者McDizzy