4. 模型训练与保存：使用 XGBoost 训练一个分类模型、模型序列化保存为 UBJ 格式

本章是部署流水线的核心环节。我们将训练一个 XGBoost 二分类模型，并采用 UBJ (Universal Binary JSON) 格式进行序列化保存。UBJ 格式相比传统的 pickle 或 JSON 具有更快的反序列化速度和更小的体积，非常适合实时评分场景下的模型加载。

4.1 训练数据集与任务定义

我们使用公开的 UCI 信用卡欺诈检测数据集（模拟版本）进行演示。任务目标：根据交易特征预测该笔交易是否为欺诈行为（1 表示欺诈，0 表示正常）。

特征组 特征名称 数据类型 说明
时间特征 Time float 交易发生时间（秒）
金额特征 Amount float 交易金额
PCA 特征 V1 ~ V28 float 经过 PCA 降维后的匿名特征
标签 Class int (0/1) 目标变量
部署视角提示： 实时评分模型的特征工程必须在训练和推理时保持完全一致。建议将特征名称列表保存为元数据，随模型一起部署。

4.2 模型训练核心参数

针对实时评分场景，我们选择 轻量级树模型 配置，在保证精度的同时控制模型大小和推理延迟。

参数名 设定值 选择理由
max_depth 6 控制树深度，防止过拟合，同时保持推理速度
n_estimators 100 基础树数量，平衡精度与模型体积
learning_rate 0.1 步长收缩，提升泛化能力
subsample 0.8 行采样，增强鲁棒性
colsample_bytree 0.8 列采样，减少过拟合
eval_metric auc 适合不平衡分类场景
objective binary:logistic 二分类输出概率

4.3 训练代码实现

以下代码展示了完整的训练流程，包括数据加载、参数设置、模型训练和早停机制。

import xgboost as xgb
import pandas as pd
from sklearn.model_selection import train_test_split

# 1. 加载数据
df = pd.read_csv('creditcard.csv')
X = df.drop('Class', axis=1)
y = df['Class']

# 2. 划分训练集和验证集
X_train, X_val, y_train, y_val = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

# 3. 转换为 DMatrix 格式（XGBoost 原生数据结构）
dtrain = xgb.DMatrix(X_train, label=y_train)
dval = xgb.DMatrix(X_val, label=y_val)

# 4. 参数配置
params = {
    'max_depth': 6,
    'learning_rate': 0.1,
    'n_estimators': 100,
    'subsample': 0.8,
    'colsample_bytree': 0.8,
    'eval_metric': 'auc',
    'objective': 'binary:logistic',
    'seed': 42
}

# 5. 训练（带早停）
model = xgb.train(
    params,
    dtrain,
    num_boost_round=100,
    evals=[(dtrain, 'train'), (dval, 'val')],
    early_stopping_rounds=10,
    verbose_eval=10
)

print(f"最佳迭代轮数: {model.best_iteration}")
print(f"最佳 AUC: {model.best_score}")
关键点： 使用 early_stopping_rounds 可以自动确定最优树数量，避免手动调参。训练完成后，model.best_iteration 记录了最佳轮次。

4.4 模型序列化：UBJ 格式

UBJ (Universal Binary JSON) 是 XGBoost 原生支持的二进制序列化格式。相比 JSON 文本格式，UBJ 具有以下优势：

  • 反序列化速度提升 3-5 倍：二进制解析无需字符到数值的转换。
  • 体积减少 40%-60%：无冗余空格和引号。
  • 跨语言兼容：C++、Python、Java、R 等语言均可直接加载。

保存与加载的代码实现：

import xgboost as xgb

# 保存为 UBJ 格式
model.save_model('fraud_detection_model.ubj')

# 加载 UBJ 模型（用于验证）
loaded_model = xgb.Booster()
loaded_model.load_model('fraud_detection_model.ubj')

# 验证加载后的模型与原始模型预测一致
import numpy as np
pred_original = model.predict(dval)
pred_loaded = loaded_model.predict(dval)
assert np.allclose(pred_original, pred_loaded), "模型加载前后预测不一致！"
print("UBJ 模型保存与加载验证通过。")
注意事项：
  • UBJ 格式的文件扩展名通常使用 .ubj，但 XGBoost 不强制要求。
  • 保存时不要使用 model.save_model('model.json') 的 JSON 格式，因为 JSON 在实时评分场景下反序列化开销较大。
  • 生产环境中建议在保存后立即执行加载验证，确保模型文件未损坏。

4.5 模型训练与保存流程总览

下图展示了从原始数据到 UBJ 模型文件的完整工作流：

XGBoost 模型训练与 UBJ 保存流程 模型训练与 UBJ 序列化流程 原始数据 特征工程 DMatrix XGBoost 训练 早停判断 UBJ 序列化 加载验证 未满足早停 最终产物：fraud_detection_model.ubj — 可直接用于实时评分服务的二进制模型文件

4.6 模型文件结构说明

UBJ 格式的模型文件内部采用 自描述二进制结构，包含以下核心组件：

组件 说明 大小占比
模型头 版本号、目标函数、基学习器类型等元信息 ~1%
树结构 每棵树的节点分裂特征、阈值、叶子权重 ~85%
参数配置 训练时使用的超参数（用于推理一致性） ~5%
特征映射 特征名称到索引的映射表（可选） ~9%
部署优化建议： 如果模型文件过大（超过 100MB），可以考虑：
1. 降低 max_depth 或 n_estimators。
2. 使用 model.save_model('model.ubj', compression='gzip') 启用压缩。
3. 在推理服务启动时预加载模型到内存，避免每次请求都读取磁盘。

4.7 本章小结

  • 使用 XGBoost 训练二分类模型时，早停机制 可以有效防止过拟合并自动确定最优树数量。
  • UBJ 格式 是实时评分场景下的首选序列化方案，兼具速度和体积优势。
  • 保存模型后必须执行 加载验证，确保模型文件在生产环境中可用。
  • 模型文件的大小直接影响服务启动时间和内存占用，需根据部署环境合理调整训练参数。
← 上一章 📖 返回目录 下一章 →