AWS部署ML模型报ModuleNotFoundError: 无sklearn.linear_model.base模块

ModuleNotFoundError: No module named 'sklearn.linear_model.base'并非未安装scikit-learn导致，而是scikit-learn版本不兼容引发的内部模块路径变更问题：scikit-learn 0.23版本迭代时做了内部重构，原本放在sklearn.linear_model.base路径下的类被迁移到了私有模块路径sklearn.linear_model._base，如果用高版本scikit-learn加载低版本（≤0.22）训练序列化保存的模型，或是依赖的第三方工具还在引用旧路径，就会触发该报错。单纯升级到最新版scikit-learn反而会进一步拉大版本差，无法解决问题。

实操解决方案 #

• 优先对齐模型训练与部署的scikit-learn版本
  用joblib/pickle序列化保存的ML模型，对依赖的版本一致性要求极高，部署环境的scikit-learn版本必须和模型训练时的版本完全一致。在AWS部署环境（无论是SageMaker、ECS还是Lambda）中，直接安装和训练时完全匹配的版本即可，比如训练时使用的是0.22.2.post1版本，就执行命令：

  pip install scikit-learn==0.22.2.post1
  

  注意：不要盲目拉取最新版scikit-learn部署旧模型，版本差过大会触发各类内部路径找不到的兼容问题。

• 必须使用高版本scikit-learn时，做旧路径兼容映射
  受环境限制无法降级scikit-learn时，可在所有sklearn相关导入代码的最开头，手动为旧的缺失模块路径添加别名，绕过路径校验，示例代码：

  # 放在所有sklearn、模型加载代码之前执行
  import sklearn.linear_model
  from sklearn.linear_model import _base
  sklearn.linear_model.base = _base
  import sys
  sys.modules['sklearn.linear_model.base'] = _base
  

  该方法通过模块别名让pickle能定位到拆分后的类定义，不需要调整原有环境依赖版本。

• 排查第三方依赖的路径引用问题
  部分老旧的ML辅助工具库（如早期版本的模型解释、模型转换类工具）仍在直接导入sklearn.linear_model.base，就算模型本身的版本完全匹配，只要加载到这类旧库就会触发报错。这类场景要么将辅助库升级到支持新版scikit-learn的版本，要么使用上述的模块映射方法补全缺失路径。

AWS部署场景高频踩坑提示：很多人直接使用官方最新版的推理容器镜像部署本地训练的旧模型，而最新镜像内置的scikit-learn版本往往远高于本地训练版本，是触发该报错的最常见原因。部署前可在推理服务的启动脚本中打印当前环境的scikit-learn版本，和本地训练版本做比对，版本差超过1个小版本就需要主动对齐。

内容的提问来源于stack exchange，提问作者Prabhakar Patra