如何加载通过Sagemaker XGBoost（latest版本容器）训练的模型并查看特征重要性

我来帮你解决这个问题，你遇到的XGBoostError: basic_string::resize大多是因为本地XGBoost版本和Sagemaker容器里的版本不匹配导致的——毕竟你用的是latest标签的容器，它对应的XGBoost具体版本可能和你本地安装的不一样。下面是一步步的解决方法：

第一步：确认Sagemaker容器里的XGBoost具体版本 #

你需要先搞清楚训练模型时容器用的是XGBoost哪个版本，有两种简单方法：

• 查看训练作业日志：在AWS控制台的Sagemaker训练作业详情里，找到日志输出，里面会明确打印出XGBoost的版本号；
• 拉取镜像查看版本：如果本地有Docker环境，可以运行这条命令（记得替换命令里的{accountid}为你的AWS账号ID）：

  docker run --rm {accountid}.dkr.ecr.us-east-1.amazonaws.com/xgboost:latest xgboost --version
  

  要是没有Docker，也可以在Sagemaker Notebook里启动一个基于该镜像的终端，执行xgboost --version就能得到版本号。

第二步：安装对应版本的XGBoost到本地环境 #

根据上一步得到的版本号，用pip安装完全匹配的XGBoost，比如版本是1.7.6的话：

pip install xgboost==1.7.6

第三步：加载模型并获取特征重要性 #

版本匹配后，就可以正常加载模型并调用get_score了，代码示例如下：

import xgboost as xgb

# 替换为你解压后xgboost-model文件的实际路径
model_path = "path/to/your/xgboost-model"

# 加载模型
booster = xgb.Booster()
booster.load_model(model_path)

# 获取特征重要性，importance_type可选weight、gain、cover等，按需选择
feature_importance = booster.get_score(importance_type="weight")

# 按重要性从高到低打印结果
for feature, score in sorted(feature_importance.items(), key=lambda x: x[1], reverse=True):
    print(f"{feature}: {score}")

额外注意点 #

如果你的模型输出里只有特征索引（比如f0、f1）而不是特征名，那说明训练时没有把特征名传入模型。这种情况下，你需要手动把这些索引映射到你原始数据集的特征列名上——比如你原始数据的列顺序是["feat1", "feat2", ...]，那f0就对应feat1，以此类推。

备注：内容来源于stack exchange，提问作者Nikhil Kumar AV