4. 模型导出与序列化：原生模型保存、PMML、ONNX 格式对比

在实时风控场景中，训练完成的 XGBoost 模型必须导出为可被在线 Serving 引擎加载的格式。不同导出格式在跨平台兼容性、推理性能、元数据保留等方面差异显著。本章深入剖析三种主流格式：原生模型保存、PMML 与 ONNX，并给出选型建议。

4.1 原生模型保存（model.save_model）

XGBoost 提供原生的二进制序列化方法 save_model()，生成的 .json 或 .ubj 文件可直接被 XGBoost 原生加载器读取。

import xgboost as xgb

# 训练模型
model = xgb.train(params, dtrain, num_boost_round=100)

# 保存为 JSON 格式（推荐）
model.save_model('xgb_model.json')

# 保存为 UBJSON 格式（更紧凑）
model.save_model('xgb_model.ubj')

# 加载模型
loaded_model = xgb.Booster()
loaded_model.load_model('xgb_model.json')

4.2 PMML 格式

PMML（Predictive Model Markup Language）是基于 XML 的开放标准，用于描述数据挖掘和机器学习模型。XGBoost 可通过 sklearn2pmml 或 pypmml 库导出 PMML。

from sklearn2pmml import sklearn2pmml
from sklearn2pmml.pipeline import PMMLPipeline
from xgboost import XGBClassifier

pipeline = PMMLPipeline([
    ("classifier", XGBClassifier(n_estimators=100))
])
pipeline.fit(X_train, y_train)

sklearn2pmml(pipeline, "xgb_model.pmml", with_repr=True)

4.3 ONNX 格式

ONNX（Open Neural Network Exchange）是微软与 Facebook 联合推出的开放格式，支持 XGBoost 通过 onnxmltools 导出。ONNX 在跨框架部署和硬件加速方面具有显著优势。

import onnxmltools
from onnxmltools.convert import convert_xgboost

# 将 XGBoost Booster 转换为 ONNX
onnx_model = convert_xgboost(model, initial_types=[('input', FloatTensorType([None, n_features]))])

# 保存 ONNX 模型
onnxmltools.utils.save_model(onnx_model, 'xgb_model.onnx')

# 使用 ONNX Runtime 加载推理
import onnxruntime as ort
session = ort.InferenceSession('xgb_model.onnx')
outputs = session.run(None, {'input': X_test})

4.4 不同格式优缺点对比

4.5 实时风控场景选型建议

• 低延迟场景（毫秒级）：优先选择 ONNX 格式，配合 ONNX Runtime 或 TensorRT 进行推理加速。适用于反欺诈实时评分、交易拦截等核心链路。
• 纯 XGBoost 技术栈：使用 原生 UBJSON 格式，加载速度最快，运维成本最低。适合模型版本与 Serving 环境完全可控的内部系统。
• 多语言/跨平台集成：选择 PMML 格式，但需注意文件体积和解析性能。适用于需要与 Java 风控引擎、规则引擎深度集成的场景。
• 混合部署策略：同时导出 ONNX 和原生格式，ONNX 用于高性能在线推理，原生格式用于离线回测和模型验证。

4.6 格式转换与验证最佳实践

1. 导出前校验：使用原生格式对测试集进行推理，记录预测结果作为基准。
2. 转换后一致性验证：加载 PMML/ONNX 模型，对相同输入比较输出差异，允许浮点误差 < 1e-6。
3. 性能基准测试：在目标 Serving 环境中压测各格式的 QPS 和 P99 延迟，选择最优方案。
4. 版本管理：在模型注册表中同时记录导出格式、XGBoost 版本、转换工具版本，便于问题回溯。

# 一致性验证示例
import numpy as np
import onnxruntime as ort

# 原生模型推理
native_pred = model.predict(X_test)

# ONNX 模型推理
session = ort.InferenceSession('xgb_model.onnx')
onnx_pred = session.run(None, {'input': X_test.astype(np.float32)})[0]

# 计算最大绝对误差
max_error = np.max(np.abs(native_pred - onnx_pred.flatten()))
print(f"Max prediction error: {max_error:.2e}")
assert max_error < 1e-5, "模型转换一致性验证失败！"