coreML工具无法将XGBoost分类器转换为coreML模型

Question

我有一个关于coremltools的问题。

我想将经过训练的xgboost分类器模型转换为coreML模型。

import coremltools
import xgboost as xgb


X, y = get_data()

xgb_model = xgb.XGBClassifier()
xib_model.train(X, y)
coreml_model = coremltools.converters.xgboost.convert(xgb_model)
coremltools.save('my_model.mlmodel')

错误信息如下：

>>> coremltools.converters.xgboost.convert(xgb_model)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/Users/karas/.pyenv/versions/anaconda2-4.3.0/lib/python2.7/site-packages/coremltools/converters/xgboost/_tree.py", line 51, in convert
    return _MLModel(_convert_tree_ensemble(model, feature_names, target, force_32bit_float = force_32bit_float))
  File "/Users/karas/.pyenv/versions/anaconda2-4.3.0/lib/python2.7/site-packages/coremltools/converters/xgboost/_tree_ensemble.py", line 143, in convert_tree_ensemble
    raise TypeError("Unexpected type. Expecting XGBoost model.")
TypeError: Unexpected type. Expecting XGBoost model.

Answer 1

快速解决方案：

coreml_model = coremltools.converters.xgboost.convert(xgb_model._Booster)

关于这个转换器的更多信息:我刚刚遇到了这个问题，所以我调试到_tree_ensemble.py中，下面是我发现的：

第一个参数'model‘应该是_xgboost.core.Booster或_xgboost.XGBRegressor，或者是前两个数据的.json文件的路径。此外，如果使用.json文件，则必须提供第二个参数feature_names。

此外，根据the python examples on github的说法，还有另一种方法可以获得模型：

import numpy as np
import scipy.sparse
import pickle
import xgboost as xgb

### simple example
# load file from text file, also binary buffer generated by xgboost
dtrain = xgb.DMatrix('../data/agaricus.txt.train')
dtest = xgb.DMatrix('../data/agaricus.txt.test')

# specify parameters via map, definition are same as c++ version
param = {'max_depth':2, 'eta':1, 'silent':1, 'objective':'binary:logistic'}

# specify validations set to watch performance
watchlist = [(dtest, 'eval'), (dtrain, 'train')]
num_round = 2
booster = xgb.train(param, dtrain, num_round, watchlist)

注意这里的booster是_xgboost.core.Booster。

然后你可以这样做

import coremltools
coreml_model = coremltools.converters.xgboost.convert(booster)
coreml_model.save('my_model.mlmodel')