XGBRegressor调用load_model后执行predict报ValueError错误
异常核心成因
两种加载路径的底层逻辑存在本质区别:
joblib.load(MODEL_PATH)加载的是经Python pickle序列化的完整XGBRegressor sklearn包装对象,会完整保留模型初始化超参数、训练完成后的内部状态、特征对齐规则、预测链路的全量元数据,加载后可直接运行预测逻辑。- 手动按
初始化空XGBRegressor实例 → 调用load_model()加载的逻辑执行时,触发的是XGBoost核心库的原生二进制格式加载流程,这套流程仅加载树结构的权重参数,不会自动同步sklearn包装层所需的内部配置项。
报错触发链路
抛出的
ValueError: Wrong number of items passed 0, placement implies 1并非XGBoost核心计算层抛出,而是pandas在结果对齐阶段的校验异常:
- 空初始化的XGBRegressor实例加载完原生格式模型后,与sklearn/pandas接口适配的配置项(包括输入特征数校验规则、返回结果的索引对齐逻辑)处于未初始化状态
- 执行预测调用
model.predict(df[features])时,XGBoost核心层实际返回了长度为0的空结果数组,后续包装层尝试把这个空结果对齐到输入pandas DataFrame的样本索引时,因结果长度和预期的输入样本数不匹配,直接触发pandas的赋值校验异常。
可行修正方案
- 调用原生
load_model()加载模型时,禁止使用无参数的空XGBRegressor实例,必须在初始化阶段传入和原训练模型完全一致的全部超参数,保证加载完原生模型权重后,sklearn包装层的配置项能和模型实际状态匹配 - 模型加载完成后先做状态校验:调用
model.n_features_in_确认返回的特征数和你传入的df[features]的列数一致,如果该属性返回0,说明模型的包装层状态未加载完整,无法正常完成预测 - 如果没有跨语言、跨环境的原生模型格式兼容需求,优先使用已经验证可用的
joblib.load()方式加载pickle序列化的模型,可完全规避上述状态不匹配问题。
内容的提问来源于stack exchange,提问作者Lilz
相关产品推荐
相关产品推荐

