### Matlab 中加载并调用已保存的 XGBoost 模型 在 MATLAB 中，可以通过 Python 接口加载和调用已经保存的 XGBoost 模型。以下是具体方法以及代码示例： #### 1. 加载已保存的 XGBoost 模型 MATLAB 支持通过 `py` 命令调用 Python 的功能。如果模型是以 `.json` 或 `.bin` 文件形式保存，则可以使用以下方式加载。 ```matlab % 导入必要的 Python 库 py.importlib.import_module('xgboost'); % 定义模型文件路径 modelPath = 'path_to_your_model.json'; % 替换为实际模型路径 % 加载模型 loadedModel = py.xgboost.Booster(); loadedModel.load_model(modelPath); ``` 上述代码展示了如何通过 `load_model()` 函数加载一个 JSON 格式的 XGBoost 模型[^2]。 --- #### 2. 数据预处理 为了预测新数据，需将其转换为 DMatrix 格式，这是 XGBoost 所需的数据结构。 ```matlab % 假设 X_test 是测试集矩阵 (double 类型) X_test = double(rand(10, 5)); % 示例数据 % 将数据转换为 DMatrix 格式 dtest = py.xgboost.DMatrix(double(X_test)); ``` 这里需要注意的是，输入数据必须是双精度浮点数 (`double`) 类型，并且要显式地传递给 `DMatrix` 构造器。 --- #### 3. 进行预测 一旦模型被成功加载并且数据已经被正确格式化，就可以执行预测操作。 ```matlab % 使用加载的模型进行预测 predictions = loadedModel.predict(dtest); % 将预测结果转换为 MATLAB 数组 predArray = cellfun(@(cellElem) double(cellElem), predictions.toArray(), 'UniformOutput', false); predArray = cat(1, predArray{:}); disp(predArray); % 显示预测结果 ``` 此部分实现了基于加载模型对新的样本数据进行预测的功能。 --- #### 注意事项 - **环境配置**：确保 MATLAB 和 Python 环境之间能够正常通信。这可能涉及设置 PATH 变量或者安装特定版本的库。 - **依赖项管理**：确认目标机器上存在对应版本的 XGBoost Python 包及其所有必要依赖项。 --- ### 总结 以上过程涵盖了从加载预先训练好的 XGBoost 模型到完成预测的整体流程。每一步都紧密关联前序步骤的结果输出作为后续计算的基础输入源。 ```matlab % 整体脚本总结 py.importlib.import_module('xgboost'); modelPath = 'path_to_your_model.json'; loadedModel = py.xgboost.Booster(); loadedModel.load_model(modelPath); X_test = double(rand(10, 5)); dtest = py.xgboost.DMatrix(double(X_test)); predictions = loadedModel.predict(dtest); predArray = cellfun(@(cellElem) double(cellElem), predictions.toArray(), 'UniformOutput', false); predArray = cat(1, predArray{:}); disp(predArray); ```