是否可以在Python中训练XGBOOST模型并部署它在C/C++中运行?

您可以考虑使用

model.get_booster().dump_model('xgb_model.txt', with_stats=True)

然后,经过一些解析,您可以轻松地重新生成 .predict() 在C/C++中的功能。其余的我不知道xgboost到c的本地移植

可以将模型转储到文本文件中,如下所示:

model.get_booster().dump_model('xgb_model.txt')

然后你应该解析文本转储并在C++中重现预测函数。

我在一个我称之为 快速森林 ,如果要节省一些时间并确保使用快速实现:

https://github.com/guitargeek/XGBoost-FastForest

图书馆的使命是:

• 容易的 :部署xgboost模型应该尽可能轻松
• 快的 :由于用于存储树的数组数据结构的高效结构,此库在您的CPU和内存上非常简单(在预测方面大约比XGBoost快3到5倍)
• 保险柜 :fastforest对象是不可变的,因此在多线程环境中是一个很好的选择。
• 便携式 FastForest除了C++标准库之外没有依赖性。

下面是一个小的使用示例,加载之前转储的模型,并假设该模型需要5个功能:

std::vector<std::string> features{"f0",  "f1",  "f2",  "f3",  "f4"};
FastForest fastForest("xgb_model.txt", features);

std::vector<float> input{0.0, 0.2, 0.4, 0.6, 0.8};
float output = fastForest(input.data());

创建fastforest时,必须告诉它要按哪个顺序传递功能,因为文本文件不存储功能的顺序。

还要注意的是,FastForest并没有为您进行逻辑转换,因此为了复制 predict_proba() 您需要应用逻辑转换:

float proba = 1./(1. + std::exp(-output));

这个 treelite 包装( research paper , documentation )支持将基于树的模型(包括xgboost)编译为优化的c代码,使推理比使用本机模型库快得多。