怎么使用现有的xgboost模型继续训练

要点： 

• 继续训练

---

1 加载现有模型

使用XGBoost库中的Booster类加载现有模型。Booster类是XGBoost库中的一个重要类，用于存储和操作XGBoost模型的各项参数和状态信息。

import xgboost as xgb

# 加载现有模型
model_path = 'your_model_path'
bst = xgb.Booster()
bst.load_model(model_path)

2 准备新的训练数据

在准备新的训练数据时，需要注意保持数据格式的一致性。即，特征向量的维度、顺序、类型等都应与原始模型的训练数据相同。

# 准备新的训练数据
new_train_data = xgb.DMatrix(X, y)

3 设置超参数和评估指标

在对模型进行增量训练之前，需要设置新的超参数和评估指标。这些参数与原始模型的参数可以不同。例如，可以尝试使用不同的学习率、树的深度、特征子采样率等参数。

# 设置超参数和评估指标
param = {'max_depth': 6, 'eta': 0.1, 'objective': 'binary:logistic'}
evallist = [(new_train_data, 'train')]

4 增量训练模型

在设置好超参数和评估指标之后，可以使用train函数对现有模型进行增量训练。通过设置xgb_model参数，可以将现有模型作为初始模型，并从这个模型的状态开始继续训练。

# 增量训练模型
bst = xgb.train(param, new_train_data, num_boost_round=10, xgb_model=bst, evals=evallist)

5 保存新的模型

训练完成后，可以将得到的新模型存储到磁盘上供后续使用。

# 保存新模型
new_model_path = 'your_new_model_path'
bst.save_model(new_model_path)

需要注意的是，增量训练模型时可能会出现过拟合或欠拟合等问题。因此，在使用该方法时应当谨慎，并在训练过程中及时监控模型的性能表现。另外，如果要从头开始训练模型，也可以直接调用xgb.train函数，并将现有模型作为初始模型传递给它。

---

查看现模型的超参数和评估指标

1  加载现有模型

使用XGBoost库中的Booster类加载现有模型。

import xgboost as xgb

# 加载现有模型
model_path = 'your_model_path'
bst = xgb.Booster()
bst.load_model(model_path)

2 获取模型属性

在加载模型之后，可以使用attr方法获取模型属性。该方法接受一个参数，表示要获取的属性名称。可以使用"parameters"表示超参数，"best_iteration"表示最优迭代轮数，"best_score"表示最优评估指标等。

# 获取模型超参数和评估指标
params = bst.attr("parameters")
best_iteration = bst.attr("best_iteration")
best_score = bst.attr("best_score")

其中，params是一个包含超参数信息的字典对象。可以通过打印这个字典，以查看模型使用的各种参数和超参数。而best_iteration和best_score分别表示最优迭代轮数和最优评估指标等信息，可以用于评估模型的性能表现。

需要注意的是，在使用attr方法时，应当确保所传递的参数名称是正确的，并且与XGBoost库中定义的属性名称相符。另外，有些超参数和评估指标可能在训练过程中没有被使用或输出，因此可能无法通过这种方式获取。