加载XGBoost模型做预测时，是否需手动指定Optuna最优参数？

我用Optuna调优了XGBoost模型的参数，训练完成后保存了模型、Optuna研究对象以及所用特征。现在加载模型做预测时，不确定模型会不会自动使用保存的最优参数，还是需要手动指定。以下是我的预测代码：

import os
import pandas as pd
import numpy as np
import xgboost as xgb
import joblib

model_path   = os.path.join(base, f"{fleet_code}_XGB_Model.json")
study_path   = os.path.join(base, f"{fleet_code}_OptunaStudy.pkl")
features_path= os.path.join(base, f"{fleet_code}_features.pkl")        

# --- Load model and study ---
model = xgb.XGBRegressor()
model.load_model(model_path)           # 对应训练时的XGBRegressor.save_model()

study = joblib.load(study_path)        

# --- Get features (prefer saved list; fallback to model metadata) ---
if os.path.exists(features_path):
    features = joblib.load(features_path)
else:
    features = model.get_booster().feature_names

features = list(features)

# --- prediction DF ---
df_pred = pred_dict[fleet_code].copy()   

# --- Align columns: ---
def align_features(X: pd.DataFrame, cols: list[str]) -> pd.DataFrame:
    X = X.copy()

    # add missing columns as zeros
    missing = [c for c in cols if c not in X.columns]
    for c in missing:
        X[c] = 0.0

    # drop extras
    extras = [c for c in X.columns if c not in cols]
    if extras:
        X = X.drop(columns=extras)

    # reorder
    X = X[cols]

    # force numeric types (coerce errors to NaN, then fill)
    for c in X.columns:
        if not np.issubdtype(X[c].dtype, np.number):
            X[c] = pd.to_numeric(X[c], errors="coerce")
    X = X.fillna(0.0)

    return X

X_pred = align_features(df_pred, features)

df_pred["Predicted_TTE"] = model.predict(X_pred)

不需要手动指定最优参数，加载后的模型会自动使用训练时（包括Optuna调优后的）所有参数配置。

• 核心原因：XGBoost的save_model()方法会完整保存模型的所有信息——包括结构、训练好的权重，以及Optuna调优得到的最优参数。调用load_model()加载后，模型会完全恢复到训练完成时的状态，参数设置和训练阶段完全一致，直接调用predict()即可基于最优参数进行预测。
• 额外说明：你代码中加载的study对象（Optuna研究实例）在预测阶段是多余的，它的作用是记录调参过程、支持重新调参或继续优化，对实际预测没有影响，可以考虑移除这部分代码以简化流程。

内容的提问来源于stack exchange，提问作者Brandy Horne