LGBMClassifier.fit()不支持early_stopping_rounds参数，需改用callbacks=[lgb.early_stopping(stopping_rounds=10)]并配合eval_set使用。
ImportError: sklearn needs to be installed in order to use this module
这个报错不是因为你没装 scikit-learn，而是 xgboost 在导入时检测不到它——哪怕你 pip list 里能看到 scikit-learn。
常见原因有三个：
- 你在 PyCharm 或 VS Code 里用的 Python 解释器路径和终端里
which python输出的不一致，pip install scikit-learn装到了 A 环境，但 IDE 运行在 B 环境 - 你用了 conda 创建的环境，却用
pip安装了scikit-learn，而xgboost是 conda 安装的，二者底层 ABI 不匹配 -
numpy版本太老（如 1.18.0）或太新（如 ≥1.25.0 且没配好 MKL），导致scikit-learn的 C 扩展加载失败，xgboost的SKLEARN_INSTALLED检查就判为 False
实操建议：先运行 python -c "import sklearn; print(sklearn.__version__)"，如果这行都报错，说明 scikit-learn 根本没正常加载，别急着动 xgboost。
AttributeError: 'super' object has no attribute 'sklearn_tags'
这是 scikit-learn ≥1.6 和旧版 xgboost（≤2.0.x）或 lightgbm（≤3.3.x）不兼容的典型症状。根本原因是 sklearn 在 1.6 引入了 sklearn_tags 属性用于 estimator 元信息校验，而老版本 booster 类没实现它。
立即学习“Python免费学习笔记（深入）”；
不要盲目降级 scikit-learn 到 1.5.2——那会丢掉很多新功能，还可能触发其他包的兼容问题。
推荐组合（经 2026 年 6 月验证）：
- Python 3.9–3.11：
scikit-learn==1.6.1+xgboost==2.1.4+lightgbm==4.4.0 - Python 3.12：
scikit-learn==1.6.2+xgboost==2.2.0（需从源码编译或等 wheel 发布）
执行命令：pip install --upgrade scikit-learn==1.6.1 xgboost==2.1.4 lightgbm==4.4.0
LGBMClassifier.fit() got an unexpected keyword argument 'early_stopping_rounds'
这不是版本错，是接口混用。你在用 lightgbm.LGBMClassifier（Sklearn 接口），却传了原生 LightGBM 的参数名，比如 callbacks 或 valid_sets。
Sklearn 接口只认这些参数：
-
eval_set：必须是[(X_val, y_val)]形式，不能是valid_sets=[lgb.Dataset(...)] -
early_stopping_rounds：直接传整数，不是callbacks=[lgb.early_stopping(...)] -
eval_metric：字符串，如'auc'，不是列表['auc', 'binary_logloss'] -
class_weight='balanced'仅对多分类有效；二分类要用is_unbalance=True或scale_pos_weight
示例正确写法：
lgb = LGBMClassifier(n_estimators=100, learning_rate=0.1)<br>lgb.fit(X_train, y_train, eval_set=[(X_val, y_val)], early_stopping_rounds=10, eval_metric='auc')
SHAP TreeExplainer 报 UnicodeDecodeError
这个错常出现在 XGBoost ≥1.4 和 SHAP ≤0.42 组合下，根源是 XGBoost 模型序列化格式变更：1.4+ 默认用新二进制格式（含 magic header b'binf'），而老版 SHAP 的 TreeExplainer 还按旧格式解析，遇到非 UTF-8 字节就崩。
两个可靠解法：
- 升级 SHAP：
pip install --upgrade shap>=0.44.0（已适配新格式） - 降级 XGBoost（仅限开发环境）：
pip install xgboost==1.3.3，并用model.save_raw(raw_format='legacy')保存模型
注意：LightGBM 没这个问题，它的模型格式稳定；XGBoost 1.7+ 又改回兼容模式，但中间几个版本（1.4–1.6）是高危区。
