scikit-learn不支持PMML导出，需用sklearn2pmml（限sklearn≤1.2.x）并封装为PMMLPipeline；ONNX是更稳定、兼容性更好的替代方案。
scikit-learn模型不支持直接导出PMML
PMML 是一种 XML 格式的模型交换标准，但 scikit-learn 官方库完全不提供 PMML 导出功能。试图调用 model.to_pmml() 或类似方法会直接报错 AttributeError。这不是配置问题，而是设计上就没实现 —— scikit-learn 只专注训练和预测，序列化靠 pickle 或 joblib，跟 PMML 无关。
必须用第三方库：sklearn2pmml
sklearn2pmml 是目前最稳定、维护活跃的转换方案，它能将部分 scikit-learn 模型（如 LogisticRegression、RandomForestClassifier、Pipeline 等）转成合规 PMML 文件。但它有硬性依赖：
- 要求 scikit-learn 版本 ≤ 1.2.x（1.3+ 已不兼容，会抛
ImportError: cannot import name 'check_array'） - 必须用
sklearn2pmml自带的封装器，比如把模型包进PMMLPipeline，不能直接传原生sklearn实例 - 只支持部分预处理器：例如
StandardScaler、OneHotEncoder（需设sparse=False）、OrdinalEncoder；LabelEncoder不被支持，得换用OrdinalEncoder
示例关键步骤：
from sklearn2pmml import sklearn2pmml
from sklearn2pmml.pipeline import PMMLPipeline
from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import StandardScaler
pipeline = PMMLPipeline([
("scaler", StandardScaler()),
("classifier", RandomForestClassifier(n_estimators=10))
])
pipeline.fit(X_train, y_train)
sklearn2pmml(pipeline, "model.pmml", with_repr=True)
常见转换失败原因和绕过方式
不是所有模型都能顺利转出，以下错误高频出现：
立即学习“Python免费学习笔记（深入）”；
-
ValueError: Unsupported estimator type: <class></class>—— SVM、GaussianProcessRegressor 等暂不支持，换用RandomForest或LinearRegression -
TypeError: Cannot serialize function—— Pipeline 中用了 lambda、自定义函数或闭包，必须全部替换为 sklearn 内置 transformer - 输出文件为空或 XML 解析失败 —— 检查是否漏传
y_train（分类任务必须提供标签），或X_train含 NaN/inf（PMML 不允许） - 生成的 PMML 在 ADAPA 或 Zementis 上加载报错 —— 加
with_repr=True参数可嵌入模型结构描述，提升兼容性
替代方案：ONNX 比 PMML 更现实
如果目标系统支持 ONNX（比如 MLflow、Azure ML、Triton），强烈建议放弃 PMML。用 skl2onnx 转换更稳定、支持模型更多、版本兼容性好，且无需降级 scikit-learn：
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType
initial_type = [('float_input', FloatTensorType([None, X_train.shape[1]]))]
onnx_model = convert_sklearn(model, initial_types=initial_type)
with open("model.onnx", "wb") as f:
f.write(onnx_model.SerializeToString())
PMML 的工具链老化严重，sklearn2pmml 维护节奏慢，遇到新版本 scikit-learn 或复杂 Pipeline 很容易卡住。真要交付生产，先确认下游系统是否真的只认 PMML —— 很多标称“支持 PMML”的平台，实际对 ONNX 支持更好、文档更全、调试更简单。
