复用已保存XGBClassifier模型的LabelEncoder及获取模型参数

首先得明确：XGBoost的XGBClassifier本身不会存储训练时用到的LabelEncoder——因为LabelEncoder属于数据预处理工具，和模型是完全独立的模块，你之前尝试的model.__le__完全是找错了地方（__le__是Python内置的比较运算符重载方法，和编码器半毛钱关系都没有）。至于新的LabelEncoder把所有数据编码成0，是因为它在新数据上重新fit时，只看到了单一类别或者完全陌生的类别，自然会把所有值映射为0。

下面分两部分给你解决问题：

一、复用训练时的LabelEncoder #

解决思路很简单：训练阶段就把LabelEncoder和模型一起保存，加载时同时读取两者。

1. 训练时的修改（保存编码器） #

训练时不要只存模型，把每个列对应的LabelEncoder用字典存好，和模型打包保存：

from sklearn.preprocessing import LabelEncoder
import joblib
import xgboost as xgb
import pandas as pd

# 假设这是你的训练流程
train_data = pd.read_csv("train_data.csv")
train_cols = ['需要编码的列1', '需要编码的列2', ...]  # 替换成你的实际列名

# 初始化字典存储每个列的编码器
encoders = {}
for col in train_cols:
    le = LabelEncoder()
    # 用训练数据拟合编码器并转换
    train_data[col] = le.fit_transform(train_data[col])
    encoders[col] = le  # 把编码器存入字典

# 训练模型
model = xgb.XGBClassifier(你的模型参数)
model.fit(train_data[train_cols], train_data['目标列'])

# 打包保存模型和编码器
joblib.dump({"model": model, "encoders": encoders}, "Saved_Model_with_encoders.sav")

2. 预测时的修改（加载并复用编码器） #

在Flask服务里加载保存的打包文件，用训练好的编码器转换新数据（注意用transform而不是fit_transform！）：

from flask import Flask, request
import joblib
import pandas as pd

app = Flask(__name__)

@app.route('/', methods=['POST'])
def hello():
    # 加载打包的模型和编码器
    saved_objects = joblib.load("Saved_Model_with_encoders.sav")
    model = saved_objects['model']
    encoders = saved_objects['encoders']
    
    data = pd.read_json(request.data)
    
    # 用训练好的编码器转换新数据
    for col in encoders.keys():
        # 可选：校验新数据的类别是否在编码器已知范围内，避免报错
        unknown_vals = data[col][~data[col].isin(encoders[col].classes_)]
        if not unknown_vals.empty:
            # 这里可以自定义未知类别的处理逻辑，比如映射到默认值
            data.loc[unknown_vals.index, col] = encoders[col].classes_[0]
        
        # 用已拟合的编码器转换，不要重新fit！
        data[col] = encoders[col].transform(data[col])
    
    # 执行预测
    prediction = model.predict(data.values)
    return {"prediction": prediction.tolist()}  # 返回预测结果

二、获取XGBoost模型的参数列表 #

XGBClassifier提供了两种获取参数的方式：

1. 获取模型的所有配置参数（包括你设置的和默认值）：

# 获取模型的顶层参数
model_params = model.get_params()
print("模型配置参数：", model_params)

2. 获取底层Booster的参数（更贴近XGBoost原生的参数设置）：

# 获取Booster级别的参数
booster_params = model.get_booster().get_params()
print("Booster参数：", booster_params)

内容的提问来源于stack exchange，提问作者Rahul