使用coremltools转换XGBoost分类器为Core ML模型时遇类型错误求助

这个问题我之前也碰到过，核心原因是coremltools.converters.xgboost.convert() 只接受XGBoost原生的Booster对象，而你代码里使用的XGBClassifier是XGBoost封装的scikit-learn风格接口类，并不是转换器期待的模型类型，所以触发了TypeError: Unexpected type. Expecting XGBoost model.错误。

另外顺便提一句：你代码里的xib_model.train(X, y)是笔误，应该是xgb_model.fit(X, y)——XGBClassifier遵循scikit-learn规范，用fit()方法训练，而不是train()。

下面给你两种可行的解决方案：

方法一：从XGBClassifier中提取底层Booster模型 #

如果你已经用XGBClassifier完成了训练，只需要提取它内部的原生Booster模型即可完成转换：

import coremltools
import xgboost as xgb

# 替换成你的数据加载逻辑
X, y = get_data()

# 训练XGBClassifier（注意用fit方法）
xgb_model = xgb.XGBClassifier()
xgb_model.fit(X, y)

# 提取原生Booster模型
booster_model = xgb_model.get_booster()

# 转换为Core ML模型，建议指定特征名和目标名（方便后续使用）
coreml_model = coremltools.converters.xgboost.convert(
    booster_model,
    feature_names=["feature_1", "feature_2", ...],  # 替换成你的实际特征名称列表
    target="predicted_class"  # 自定义目标变量名称
)

# 保存模型
coreml_model.save('my_model.mlmodel')

方法二：直接使用XGBoost原生Booster训练 #

如果不需要依赖scikit-learn接口，也可以直接用XGBoost的原生流程训练Booster模型，这样转换更直接：

import coremltools
import xgboost as xgb

# 替换成你的数据加载逻辑
X, y = get_data()

# 转换为XGBoost原生的DMatrix格式
dtrain = xgb.DMatrix(X, label=y, feature_names=["feature_1", "feature_2", ...])

# 设置训练参数（根据你的任务调整，比如分类任务用binary:logistic或multi:softmax）
params = {
    'objective': 'binary:logistic',
    'eval_metric': 'logloss',
    'max_depth': 3
}

# 训练原生Booster模型
booster_model = xgb.train(params, dtrain, num_boost_round=10)

# 转换并保存Core ML模型
coreml_model = coremltools.converters.xgboost.convert(booster_model)
coreml_model.save('my_model.mlmodel')

验证转换结果 #

转换完成后，你可以加载模型测试一下，确保输入输出符合预期：

# 加载Core ML模型
loaded_model = coremltools.models.MLModel('my_model.mlmodel')

# 用单条样本测试预测（注意输入要和你指定的特征名对应）
sample_input = {
    "feature_1": X[0][0],
    "feature_2": X[0][1],
    # 其他特征...
}
prediction = loaded_model.predict(sample_input)
print(prediction)

内容的提问来源于stack exchange，提问作者Karas Kazu