18、利用XGBoost和Sagify进行模型训练与部署及训练作业扩展

利用XGBoost和Sagify进行模型训练与部署及训练作业扩展

1. XGBoost和Sagify本地模型训练与部署

首先，我们需要一个预测函数，它从JSON请求中加载特征数据，将其转换为numpy数组，再转换为XGBoost的DMatrix，最后进行预测并返回JSON答案：

def predict(json_input):
    data = json_input['features']
    data = np.array(data)
    data = xgb.DMatrix(data)
    prediction = ModelService.predict(data)
    return {
        "prediction": prediction.tolist()
    }

还需要创建一个 requirements.txt 文件，将其放在项目的顶级文件夹中，内容如下：

sklearn
pandas
numpy
boost

接下来使用Sagify CLI进行本地模型的部署，具体步骤如下：
1. 构建容器 ：

$ sagify build

构建完成后，可以在本地机器上看到镜像：
| REPOSITORY | TAG | IMAGE ID | CRE