对于 XGBoost 模型的序列化，可以使用 R 的序列化工具，例如 save() 或 saveRDS() 来序列化 XGBoost 模型对象，但 XGBoost 也提供了自己的序列化工具，具有更好的兼容性保证，允许在 XGBoost 的其他语言绑定中加载这些模型。
请注意，一个 xgb.Booster 对象（由 xgb.train() 生成，有关 xgboost() 生成的对象的详细信息请参阅文档其余部分），除了其核心组件外，可能还包含
额外的模型配置（可通过
xgb.config()访问），其中包括模型拟合参数，如max_depth，以及运行时参数，如nthread。这些对于预测/重要性/绘图来说不一定有用。额外的 R 特有属性 - 例如回调结果，如评估日志，它们以
data.table对象形式保存，如果存在，可通过attributes(model)$evaluation_log访问。
第一种（配置）与模型本身不具有相同的兼容性保证，包括通过 xgb.attributes() 设置和访问的属性 - 也就是说，无论使用何种序列化工具，在不同版本的 XGBoost 中加载增强器后，此类配置可能会丢失。使用 saveRDS() 时会保存这些配置，但如果加载到不兼容的 XGBoost 版本中，它们将被丢弃。在使用 XGBoost 公共接口中的序列化工具（包括 xgb.save() 和 xgb.save.raw()）时，不会保存这些配置。
第二种（R 属性）不是标准 XGBoost 模型结构的一部分，因此在使用 XGBoost 自己的序列化工具时不会保存。这些属性仅用于提供信息，例如跟踪模型拟合时的评估指标，或保存生成模型的 R 调用，但除此之外，它们不用于预测/重要性/绘图等。这些 R 属性仅在使用 R 的序列化工具时才会保留。
除了 xgb.train() 生成的常规 xgb.Booster 对象外，函数 xgboost() 生成的对象具有不同的子类 xgboost（继承自 xgb.Booster），该子类将其他额外元数据作为 R 属性保存，例如分类问题中的类名，并且具有一个专用的 predict 方法，该方法使用不同的默认值并接受不同的参数名称。XGBoost 自己的序列化工具可以处理这个 xgboost 类，但由于它们不保留 R 属性，因此反序列化时，结果对象会向下转型为常规的 xgb.Booster 类（即它会丢失元数据，并且结果对象将使用 predict.xgb.Booster() 而非 predict.xgboost()）- 对于这些 xgboost 对象，如果需要额外的功能，使用 saveRDS 可能是一个更好的选择。
请注意，从版本 2.1.0 及 onwards 的 XGBoost R 模型与版本 2.1.0 之前的 XGBoost 模型具有非常不同的 R 对象结构，并且相互不兼容。因此，在版本 2.1.0 之前使用 R 序列化工具（如 saveRDS() 或 save()）保存的模型将无法在后续的 xgboost 版本中使用，反之亦然。请注意，理论上 R 模型对象的结构将来可能再次改变，因此对于长期存储，应优先使用 XGBoost 的序列化工具。
此外，请注意，XGBoost 的模型对象可能无法使用第三方 R 包（如 qs 或 qs2）进行序列化。
详细信息
使用 xgb.save() 将 XGBoost 模型保存为独立文件。可以通过指定 JSON 扩展名来选择 JSON 格式。要读回模型，请使用 xgb.load()。
使用 xgb.save.raw() 以未来兼容的方式将 XGBoost 模型保存为原始字节序列（向量）。XGBoost 的未来版本将能够读取原始字节并重新构建相应的模型。要读回模型，请使用 xgb.load.raw()。如果您希望将 XGBoost 模型作为另一个 R 对象的一部分进行持久化，则 xgb.save.raw() 函数很有用。
如果您需要增强器可能拥有的 R 特有属性，例如评估日志或模型类为 xgboost 而非 xgb.Booster，则使用 saveRDS()，但请注意，此类对象的未来兼容性不受 XGBoost 控制，因为它依赖于 R 的序列化格式（例如，请参阅 base R 中 serialize 和 save() 的详细信息部分）。
有关模型持久化和存档的更多详细信息和解释，请查阅页面 https://docs.xgboost.com.cn/en/release_3.0.0/tutorials/saving_model.html。
示例
data(agaricus.train, package = "xgboost")
bst <- xgb.train(
data = xgb.DMatrix(agaricus.train$data, label = agaricus.train$label, nthread = 1),
nrounds = 2,
params = xgb.params(
max_depth = 2,
nthread = 2,
objective = "binary:logistic"
)
)
# Save as a stand-alone file; load it with xgb.load()
fname <- file.path(tempdir(), "xgb_model.ubj")
xgb.save(bst, fname)
bst2 <- xgb.load(fname)
# Save as a stand-alone file (JSON); load it with xgb.load()
fname <- file.path(tempdir(), "xgb_model.json")
xgb.save(bst, fname)
bst2 <- xgb.load(fname)
# Save as a raw byte vector; load it with xgb.load.raw()
xgb_bytes <- xgb.save.raw(bst)
bst2 <- xgb.load.raw(xgb_bytes)
# Persist XGBoost model as part of another R object
obj <- list(xgb_model_bytes = xgb.save.raw(bst), description = "My first XGBoost model")
# Persist the R object. Here, saveRDS() is okay, since it doesn't persist
# xgb.Booster directly. What's being persisted is the future-proof byte representation
# as given by xgb.save.raw().
fname <- file.path(tempdir(), "my_object.Rds")
saveRDS(obj, fname)
# Read back the R object
obj2 <- readRDS(fname)
# Re-construct xgb.Booster object from the bytes
bst2 <- xgb.load.raw(obj2$xgb_model_bytes)