如何使用已保存的Scikit-learn模型查看模型中的类别？

别担心，哪怕训练数据集找不到了，你照样能从已保存的模型里提取出类别相关信息，下面是具体的操作方法：

1. 先加载已保存的模型 #

首先用joblib把你的.sav模型文件加载进来：

import joblib

# 替换成你的模型文件实际路径
trained_model = joblib.load("your_trained_model.sav")

2. 提取模型的类别 #

普通分类模型（如LogisticRegression、RandomForestClassifier等） #

绝大多数Scikit-learn分类模型在训练完成后，会自动把类别信息存在classes_属性里——这个属性是模型训练时从目标变量（y）中获取并保存的，哪怕训练集丢了也不会消失。直接访问就行：

model_classes = trained_model.classes_
print("模型包含的类别：", model_classes)

输出结果会是一个数组，比如二分类任务可能返回[0, 1]，多分类任务可能返回['cat', 'dog', 'bird']这类形式。

如果模型是Pipeline（流水线） #

如果你的模型是用Pipeline封装的（比如包含了特征工程+分类器的完整流程），那得先定位到流水线里的最后一步分类器组件，再访问它的classes_属性：

from sklearn.pipeline import Pipeline

if isinstance(trained_model, Pipeline):
    # 两种方式获取最后一步的分类器：
    # 方式1：通过索引直接取最后一步（推荐，更简便）
    final_classifier = trained_model[-1]
    # 方式2：通过组件名称获取（需要知道流水线里的组件命名）
    # final_classifier = trained_model.named_steps['classifier']  # 替换成你实际的组件名
    
    model_classes = final_classifier.classes_
    print("模型包含的类别：", model_classes)

注意事项 #

• 只有分类模型才有classes_属性，如果你的模型是回归模型（比如LinearRegression），这个属性是不存在的——毕竟回归任务没有“类别”的概念。
• 如果是多标签分类模型（比如用MultiOutputClassifier封装的），你需要遍历每个子分类器的classes_属性来获取每个输出的类别。

内容的提问来源于stack exchange，提问作者xScientist