本文详解 'super' object has no attribute '__sklearn_tags__' 错误的成因与修复方法，聚焦于 XGBoost 与 Scikit-learn 版本兼容性问题，并提供三种稳定可行的版本组合方案。
本文详解 `'super' object has no attribute '__sklearn_tags__'` 错误的成因与修复方法，聚焦于 xgboost 与 scikit-learn 版本兼容性问题，并提供三种稳定可行的版本组合方案。
该错误源于 Scikit-learn 1.6.0 版本对内部标签（__sklearn_tags__）机制的重大重构：它将原本由 BaseEstimator 动态代理的 __sklearn_tags__ 属性改为要求所有兼容估计器显式实现该属性或通过 @property 提供。而早期 XGBoost 版本（RandomizedSearchCV.fit() 在校验模型接口时调用 estimator.__sklearn_tags__ 失败，抛出 AttributeError。
✅ 根本解决方案（推荐）：升级 XGBoost
确保安装 XGBoost ≥2.1.4（2024年3月发布），该版本已完整支持 sklearn 1.6+ 的新标签协议（详见 XGBoost PR #11021）。升级命令如下：
pip install --upgrade xgboost>=2.1.4
验证是否生效：
from xgboost import XGBRegressor print(hasattr(XGBRegressor(), '__sklearn_tags__')) # 应输出 True
⚠️ 临时兼容方案（仅限过渡）：降级或切换 sklearn 版本
若暂无法升级 XGBoost，可选择以下任一方式（不推荐长期使用）：
-
✅ 方案二（推荐过渡）：使用
scikit-learn >=1.6.1,<br> 此版本将错误降级为 <code>DeprecationWarning，代码可继续运行（但需留意警告日志）：pip install "scikit-learn>=1.6.1,<1.7"
❌ 方案三（不建议）：回退至
scikit-learn <br> 如 <code>scikit-learn==1.5.2，虽可彻底避免错误，但会失去 1.6+ 的新特性（如get_feature_names_out统一接口、改进的Pipeline行为等），且未来将不再获得安全更新。
? 验证与调试提示
- 运行
pip list | grep -i "scikit-learn\|xgboost"确认实际版本； - 若使用 conda，注意
conda-forge与defaults渠道的包版本可能不同，建议统一使用conda-forge：conda install -c conda-forge scikit-learn xgboost
- Python 3.12 兼容性无需担忧：XGBoost 2.1.4+ 与 sklearn 1.6.1+ 均已官方支持 Python 3.12。
? 总结
该错误是典型生态演进中的短暂兼容性断层，唯一健壮解法是升级 XGBoost 至 2.1.4 或更高版本。避免混合使用过旧的 sklearn（1.6.0 这一“问题版本”。保持工具链同步更新，即可无缝使用 RandomizedSearchCV 对 XGBRegressor 进行超参优化。
