你可以将训练好的模型保存为 `.json` 文件（XGBoost 支持直接保存为 JSON 格式），然后编写一个独立的 Python 脚本用于加载模型和 scaler，并提供预测接口。以下是完整的实现步骤： --- ### ✅ 步骤说明 1. **保存模型与 scaler**（已在你的代码中完成）： ```python model.save_model(r"F:\2\xgboost_model.json") joblib.dump(scaler_in, r"F:\2\scaler_in.pkl") joblib.dump(scaler_out, r"F:\2\scaler_out.pkl") ``` 2. **创建 `predictor.py` 文件**，放在路径 `F:\2\predictor.py` 中。 --- ### ✅ 创建可调用脚本：`F:\2\predictor.py` ```python import numpy as np import xgboost as xgb import joblib class XGBoostPredictor: def __init__(self, model_path, scaler_in_path, scaler_out_path): """ 初始化预测器，加载模型和归一化器 """ self.model = xgb.Booster() self.model.load_model(model_path) self.scaler_in = joblib.load(scaler_in_path) self.scaler_out = joblib.load(scaler_out_path) def predict(self, features): """ 输入原始特征数据（可以是单个样本或多个样本） 返回反归一化的预测结果 """ if not isinstance(features, np.ndarray): features = np.array(features) # 特征归一化 features_scaled = self.scaler_in.transform(features) # 预测 dmat = xgb.DMatrix(features_scaled) pred_scaled = self.model.predict(dmat).reshape(-1, 1) # 反归一化 prediction = self.scaler_out.inverse_transform(pred_scaled).flatten() return prediction # 示例使用方式 if __name__ == '__main__': predictor = XGBoostPredictor( model_path=r"F:\2\xgboost_model.json", scaler_in_path=r"F:\2\scaler_in.pkl", scaler_out_path=r"F:\2\scaler_out.pkl" ) # 示例输入（请根据你实际的特征维度修改） sample_input = [[50, 30, 100, 200, 0.5, 0.8, 0.9, 1.2]] # 替换为你自己的输入数据 prediction = predictor.predict(sample_input) print("预测结果：", prediction) ``` --- ### ✅ 使用方法 - 将上述代码保存为 `F:\2\predictor.py` - 在其他 Python 脚本中导入并使用： ```python from predictor import XGBoostPredictor predicter = XGBoostPredictor( model_path=r"F:\2\xgboost_model.json", scaler_in_path=r"F:\2\scaler_in.pkl", scaler_out_path=r"F:\2\scaler_out.pkl" ) new_data = [[...]] # 新样本数据 result = predicter.predict(new_data) print("预测值：", result) ``` --- ### ✅ 注意事项 - 确保运行环境安装了必要的依赖库： ```bash pip install xgboost scikit-learn numpy pandas matplotlib joblib ``` - 输入特征维度必须与训练时一致； - 如果你想把这个文件打包成 `.exe` 或 `.dll`，可以使用 `PyInstaller`。 --- ###