如何在Python函数中指定XGBoost模型名称以实现外部访问？

你的问题核心在于Python的变量作用域和参数传递逻辑——你试图通过函数参数传递变量名（字符串）来让函数给外部变量赋值，但这种方式根本行不通，原因很简单：

1. 当你调用save_mod("example")时，mod_name只是函数内部的一个局部变量，它的值是字符串"example"，而不是外部的example变量本身。
2. 在函数内部给mod_name = mod赋值，只是把这个局部变量的内容从字符串换成了模型对象，完全不会影响外部的任何变量。

下面给你几个实用的解决方案，按推荐程度排序：

方案1：让函数返回训练好的模型（最推荐） #

这是Python中最规范、最清晰的方式，函数负责训练模型，把结果返回给调用方，由调用方决定怎么命名和存储：

def train_mod(params, dtrain, dval):
    mod = xgb.train(params, dtrain, num_boost_round=999, evals=[(dval, "Val")], early_stopping_rounds=10)
    return mod

# 调用时直接赋值给你想要的变量
example = train_mod(params, dtrain, dval)

如果需要遍历多组参数训练，可以把每个模型存到字典里，方便后续筛选最优模型：

# 假设你有多组待测试的参数
param_list = [param_set_1, param_set_2, param_set_3]
trained_models = {}

for idx, params in enumerate(param_list):
    current_model = train_mod(params, dtrain, dval)
    # 用参数索引或自定义名称作为键存储模型
    trained_models[f"model_{idx}_lr{params['learning_rate']}"] = current_model

# 后续筛选最优模型，比如根据验证集的最佳分数
best_model = max(trained_models.values(), key=lambda m: m.best_score)

方案2：通过字典批量存储模型（适配多参数遍历场景） #

如果你需要一次性训练多个模型并按名称管理，可以直接把字典传给函数，让函数在字典中添加模型：

def train_and_save(mod_dict, mod_name, params, dtrain, dval):
    mod = xgb.train(params, dtrain, num_boost_round=999, evals=[(dval, "Val")], early_stopping_rounds=10)
    mod_dict[mod_name] = mod

# 初始化空字典存储所有模型
model_store = {}
# 调用函数，将模型存入字典
train_and_save(model_store, "example_model", params, dtrain, dval)
# 后续直接通过字典键访问模型
print(model_store["example_model"])

这种方式非常适合你遍历多组参数的需求，每一组参数对应一个模型名称，全部统一管理在字典中，后续对比、筛选最优模型都很便捷。

方案3：直接修改全局命名空间（不推荐，风险高） #

如果你非要通过变量名字符串来给外部变量赋值，可以用globals()函数获取全局命名空间的字典，但这种方式会让代码可读性变差，还容易引发意外的变量覆盖问题，只在特殊场景下使用：

def save_mod(mod_name):
    mod = xgb.train(params, dtrain, num_boost_round=999, evals=[(dval, "Val")], early_stopping_rounds=10)
    globals()[mod_name] = mod  # 直接修改全局变量

# 调用时传入变量名字符串
save_mod("example")
# 现在外部可以访问example变量了
print(example)

总结一下，优先选择方案1或方案2，尤其是方案2完全适配你遍历多组参数、管理多个模型的需求，后续维护和筛选最优模型也更省心。

内容的提问来源于stack exchange，提问作者James Oliver