在参考了这个链接后，我成功实现了使用XGBoost的增量学习。我想要构建一个分类器，并需要检查预测概率，即predict_proba()方法。如果使用XGBoost，这是不可能实现的。在实现XGBClassifier.fit()而不是XGBoost.train()时，我无法进行增量学习。XGBClassifier.fit()的xgb_model参数接收XGBoost，而我想提供一个XGBClassifier。
由于我需要使用predict_proba()方法，那么XGBClassifier是否可以进行增量学习呢？
可运行的代码：
上面的代码运行得很好，但没有retrained_model.predict_proba()的选项。
不可运行的代码：
上面的代码无法运行，因为它期望加载一个XGBoost模型或Booster instance XGBoost模型。
错误追踪：
[11:27:51] WARNING: ../src/learner.cc:1061: Starting in XGBoost 1.3.0, the default evaluation metric used with the objective 'binary:logistic' was changed from 'error' to 'logloss'. Explicitly set eval_metric if you'd like to restore the old behavior.Traceback (most recent call last): File "/project/Data_Training.py", line 530, in train retrained_model.fit(X_new, y_new, xgb_model = xgb_model) File "/home/user/.local/lib/python3.6/site-packages/xgboost/core.py", line 422, in inner_f return f(**kwargs) File "/home/user/.local/lib/python3.6/site-packages/xgboost/sklearn.py", line 915, in fit callbacks=callbacks) File "/home/user/.local/lib/python3.6/site-packages/xgboost/training.py", line 236, in train early_stopping_rounds=early_stopping_rounds) File "/home/user/.local/lib/python3.6/site-packages/xgboost/training.py", line 60, in _train_internal model_file=xgb_model) File "/home/user/.local/lib/python3.6/site-packages/xgboost/core.py", line 1044, in __init__ raise TypeError('Unknown type:', model_file)TypeError: ('Unknown type:', XGBClassifier(base_score=0.5, booster='gbtree', colsample_bylevel=1, colsample_bynode=1, colsample_bytree=1, gamma=0, gpu_id=-1, importance_type='gain', interaction_constraints='', learning_rate=1, max_delta_step=0, max_depth=3, min_child_weight=1, missing=nan, monotone_constraints='()', n_estimators=100, n_jobs=32, num_parallel_tree=1, random_state=0, reg_alpha=0, reg_lambda=1, scale_pos_weight=1, subsample=0.7, tree_method='exact', validate_parameters=1, verbosity=None))回答：
从文档中得知：
xgb_model – 存储的XGBoost模型的文件名或‘Booster’实例[。] 在训练前加载的XGBoost模型（允许训练继续进行）。
所以您应该能够使用xgb_model.get_booster()来检索底层的Booster实例并传递它。
此外，您确实可以从原生xgboost API中获取预测概率；当objective='binary:logistic'时，Booster.predict会返回概率。
