Cómo obtener predicciones en línea con XGBoost

Esta muestra entrena un modelo simple para predecir el nivel de ingresos de una persona en función del Conjunto de datos de ingresos del censo. Después de estudiar y guardar el modelo localmente, impleméntalo en Cloud ML Engine y consúltalo para obtener predicciones en línea.

Este contenido también está disponible en GitHub como un notebook de Jupyter.

Cómo llevar tu modelo a Cloud ML Engine

Puedes llevar tu modelo a Cloud ML Engine para obtener predicciones en cinco pasos:

  • Guarda tu modelo en un archivo.
  • Sube el modelo guardado a Cloud Storage.
  • Crea un recurso de modelo en Cloud ML Engine.
  • Crea una versión del modelo, para ello vincula tu modelo guardado.
  • Haz una predicción en línea.

Antes de comenzar

Completa los siguientes pasos para configurar una cuenta de GCP, activar la API de Cloud ML Engine, e instalar y activar el SDK de Cloud.

Configura tu proyecto de GCP

  1. Sign in to your Google Account.

    If you don't already have one, sign up for a new account.

  2. Select or create a Google Cloud Platform project.

    Go to the Manage resources page

  3. Asegúrate de tener habilitada la facturación para tu proyecto.

    Aprende a habilitar la facturación

  4. Habilita las Cloud Machine Learning Engine y Compute Engine API necesarias.

    Habilita las API

  5. Install and initialize the Cloud SDK.

Configura tu entorno

Elige una de las siguientes opciones para configurar tu entorno de manera local en macOS o en un entorno remoto en Cloud Shell.

Para los usuarios de macOS, te recomendamos configurar tu entorno mediante el uso de la pestaña MACOS siguiente. Cloud Shell, que se muestra en la pestaña CLOUD SHELL, está disponible en macOS, Linux y Windows. Cloud Shell proporciona una forma rápida de probar Cloud Machine Learning Engine, pero no es adecuado para el trabajo de desarrollo continuo.

macOS

  1. Verifica la instalación de Python
    Confirma si tienes Python instalado y, si es necesario, instálalo.

    python -V
  2. Comprueba la instalación de pip.
    pip es el administrador de paquetes de Python, incluido con las versiones actuales de Python. Comprueba si ya instalaste pip por medio de la ejecución de pip --version. En caso negativo, consulta cómo instalar pip.

    Puedes actualizar pip con el siguiente comando:

    pip install -U pip

    Consulta la documentación de pip para obtener más detalles.

  3. Instala virtualenv
    virtualenv es una herramienta para crear entornos aislados de Python. Para verificar si ya tienes instalado virtualenv, ejecuta virtualenv --version. Si no, instala virtualenv:

    pip install --user --upgrade virtualenv

    Para crear un entorno de desarrollo aislado en esta guía, crea un nuevo entorno virtual en virtualenv. Por ejemplo, el siguiente comando activa un entorno llamado cmle-env:

    virtualenv cmle-env
    source cmle-env/bin/activate
  4. Para los fines de este instructivo, ejecuta el resto de los comandos dentro de tu entorno virtual.

    Consulta más información sobre el uso de virtualenv. Para salir de virtualenv, ejecuta deactivate.

Cloud Shell

  1. Abre Google Cloud Platform Console.

    Google Cloud Platform Console

  2. Haz clic en el botón Activar Cloud Shell en la parte superior de la ventana de la consola.

    Active Google Cloud Shell

    Se abrirá una sesión de Cloud Shell dentro de un nuevo marco en la parte inferior de la consola que mostrará un mensaje de línea de comandos. La sesión de shell puede tardar unos segundos en inicializar.

    Sesión de Cloud Shell

    Tu sesión de Cloud Shell está lista para usarse.

  3. Configura la herramienta de línea de comandos de gcloud para usar tu proyecto seleccionado.

    gcloud config set project [selected-project-id]

    en el que [selected-project-id] es tu ID del proyecto. (Omite los corchetes).

Verifica los componentes del SDK de Google Cloud

Para verificar que los componentes del SDK de Google Cloud están instalados, realiza lo siguiente:

  1. Haz una lista de tus modelos:

    gcloud ml-engine models list
  2. Si no has creado ningún modelo anteriormente, el comando muestra una lista vacía:

    Listed 0 items.

    Después de comenzar a crear modelos, puedes verlos en una lista con este comando.

  3. Si has instalado gcloud anteriormente, actualiza gcloud:

    gcloud components update

Instala marcos de trabajo

macOS

Dentro de tu entorno virtual, ejecuta el siguiente comando para instalar scikit-learn, XGBoost, pandas y joblib:

(cmle-env)$ pip install scikit-learn xgboost pandas joblib

Para obtener más detalles, opciones de instalación e información de solución de problemas, consulta las instrucciones de instalación para cada marco de trabajo:

Cloud Shell

Ejecuta el siguiente comando para instalar scikit-learn, XGBoost, pandas y joblib:

pip install --user scikit-learn xgboost pandas joblib

Para obtener más detalles, opciones de instalación e información de solución de problemas, consulta las instrucciones de instalación para cada marco de trabajo:

Descarga los datos

El Conjunto de datos de ingresos del censo que usa esta muestra para el entrenamiento está alojado en el UC Irvine Machine Learning Repository. Consulta Acerca de los datos para obtener más información.

  • El archivo de entrenamiento es adult.data
  • El archivo de evaluación es adult.test

Entrena y guarda un modelo

Para entrenar y guardar un modelo, completa los siguientes pasos:

  1. Carga los datos en un DataFrame de pandas y prepararlos para su uso con XGBoost.
  2. Entrena un modelo simple en XGBoost.
  3. Guarda el modelo en un archivo que pueda subirse a Cloud ML Engine.

Si ya tienes un modelo entrenado para subir, consulta cómo exportar tu modelo.

Carga y transforma los datos

En este paso, carga los conjuntos de datos de entrenamiento y prueba en DataFrame de pandas, y transformas los datos categóricos en características numéricas para prepararlos para su uso con tu modelo.

import json
import numpy as np
import os
import pandas as pd
import pickle
import xgboost as xgb
from sklearn.preprocessing import LabelEncoder

# these are the column labels from the census data files
COLUMNS = (
    'age',
    'workclass',
    'fnlwgt',
    'education',
    'education-num',
    'marital-status',
    'occupation',
    'relationship',
    'race',
    'sex',
    'capital-gain',
    'capital-loss',
    'hours-per-week',
    'native-country',
    'income-level'
)

# categorical columns contain data that need to be turned into numerical
# values before being used by XGBoost
CATEGORICAL_COLUMNS = (
    'workclass',
    'education',
    'marital-status',
    'occupation',
    'relationship',
    'race',
    'sex',
    'native-country'
)

# load training set
with open('./census_data/adult.data', 'r') as train_data:
    raw_training_data = pd.read_csv(train_data, header=None, names=COLUMNS)
# remove column we are trying to predict ('income-level') from features list
train_features = raw_training_data.drop('income-level', axis=1)
# create training labels list
train_labels = (raw_training_data['income-level'] == ' >50K')

# load test set
with open('./census_data/adult.test', 'r') as test_data:
    raw_testing_data = pd.read_csv(test_data, names=COLUMNS, skiprows=1)
# remove column we are trying to predict ('income-level') from features list
test_features = raw_testing_data.drop('income-level', axis=1)
# create training labels list
test_labels = (raw_testing_data['income-level'] == ' >50K.')

# convert data in categorical columns to numerical values
encoders = {col:LabelEncoder() for col in CATEGORICAL_COLUMNS}
for col in CATEGORICAL_COLUMNS:
    train_features[col] = encoders[col].fit_transform(train_features[col])
for col in CATEGORICAL_COLUMNS:
    test_features[col] = encoders[col].fit_transform(test_features[col])

Entrena y exporta tu modelo

Para exportar tu modelo, puedes usar el método save_model del objeto Booster o la biblioteca pickle de Python.

# load data into DMatrix object
dtrain = xgb.DMatrix(train_features, train_labels)
dtest = xgb.DMatrix(test_features)

# train XGBoost model
bst = xgb.train({}, dtrain, 20)
bst.save_model('./model.bst')

Requisitos para nombrar los archivos del modelo

El archivo de modelo guardado que subes a Cloud Storage debe llamarse model.pkl, model.joblib, o model.bst, según la biblioteca que usaste. Esta restricción garantiza que, para reconstruir el modelo en la importación, Cloud ML Engine use el mismo patrón que se usó durante la exportación.

Biblioteca usada para exportar el modelo Nombre de modelo correcto
pickle model.pkl
joblib model.joblib
xgboost.Booster model.bst

En futuras iteraciones de tu modelo, organiza tu depósito de Cloud Storage para que cada modelo nuevo tenga un directorio dedicado.

Almacena tu modelo en Cloud Storage

Para los fines de este instructivo, es más fácil usar un depósito de Cloud Storage dedicado en el mismo proyecto que estás usando para Cloud ML Engine.

Si estás usando un depósito en un proyecto diferente, debes asegurarte de que tu cuenta de servicio de Cloud ML Engine pueda acceder a tu modelo en Cloud Storage. Sin los permisos adecuados, tu solicitud para crear una versión de modelo de Cloud ML Engine falla. Obtén más información sobre cómo otorgar permisos para el almacenamiento.

Configura tu depósito de Cloud Storage

En esta sección, se muestra cómo crear un depósito nuevo. Puedes usar un depósito existente, pero si no es parte del proyecto que usas para ejecutar Cloud ML Engine, debes otorgar acceso de forma explícita a las cuentas de servicio de Cloud ML Engine.

  1. Especifica un nombre para tu depósito nuevo. El nombre debe ser único en todos los depósitos en Cloud Storage.

    BUCKET_NAME="your_bucket_name"

    Por ejemplo, usa el nombre de tu proyecto con -mlengine agregado:

    PROJECT_ID=$(gcloud config list project --format "value(core.project)")
    BUCKET_NAME=${PROJECT_ID}-mlengine
  2. Comprueba el nombre del depósito que creaste.

    echo $BUCKET_NAME
  3. Selecciona una región para tu depósito y establece una variable de entorno "REGION".

    Por ejemplo, con el siguiente código, se crea una REGION y se establece en us-central1:

    REGION=us-central1
  4. Crea el depósito nuevo:

    gsutil mb -l $REGION gs://$BUCKET_NAME

    Nota: Usa la misma región donde planeas ejecutar trabajos de Cloud ML Engine. En el ejemplo, se usa us-central1 porque esa es la región que se usa en las instrucciones de introducción.

Sube el archivo de modelo exportado a Cloud Storage

Ejecuta el siguiente comando para subir el modelo que exportaste anteriormente en este instructivo a tu depósito en Cloud Storage:

gsutil cp ./model.bst gs://$BUCKET_NAME/model.bst

Puedes usar el mismo depósito de Cloud Storage para varios archivos de modelo. Cada archivo de modelo debe estar en su propio directorio dentro del depósito.

Formato de datos para la predicción

Antes de enviar una solicitud de predicción en línea, debes formatear los datos de prueba para prepararlos a fin de que los use el servicio de predicción de Cloud ML Engine. Asegúrate de que el formato de tus instancias de entrada coincida con lo que espera tu modelo.

gcloud

Crea un archivo input.json con cada instancia de entrada en una línea separada. El ejemplo siguiente usa las diez primeras instancias de datos en la lista de test_features que se definió en pasos anteriores.

    [25, "Private", 226802, "11th", 7, "Never-married", "Machine-op-inspct", "Own-child", "Black", "Male", 0, 0, 40, "United-States"]
    [38, "Private", 89814, "HS-grad", 9, "Married-civ-spouse", "Farming-fishing", "Husband", "White", "Male", 0, 0, 50, "United-States"]
    [28, "Local-gov", 336951, "Assoc-acdm", 12, "Married-civ-spouse", "Protective-serv", "Husband", "White", "Male", 0, 0, 40, "United-States"]
    [44, "Private", 160323, "Some-college", 10, "Married-civ-spouse", "Machine-op-inspct", "Husband", "Black", "Male", 7688, 0, 40, "United-States"]
    [18, "?", 103497, "Some-college", 10, "Never-married", "?", "Own-child", "White", "Female", 0, 0, 30, "United-States"]
    [34, "Private", 198693, "10th", 6, "Never-married", "Other-service", "Not-in-family", "White", "Male", 0, 0, 30, "United-States"]
    [29, "?", 227026, "HS-grad", 9, "Never-married", "?", "Unmarried", "Black", "Male", 0, 0, 40, "United-States"]
    [63, "Self-emp-not-inc", 104626, "Prof-school", 15, "Married-civ-spouse", "Prof-specialty", "Husband", "White", "Male", 3103, 0, 32, "United-States"]
    [24, "Private", 369667, "Some-college", 10, "Never-married", "Other-service", "Unmarried", "White", "Female", 0, 0, 40, "United-States"]
    [55, "Private", 104996, "7th-8th", 4, "Married-civ-spouse", "Craft-repair", "Husband", "White", "Male", 0, 0, 10, "United-States"]

Ten en cuenta que el formato de las instancias de entrada debe coincidir con lo que tu modelo espera. En este ejemplo, el modelo del censo requiere 14 características, por lo que tu entrada debe ser una matriz de forma (num_instances, 14).

API de REST

Crea un archivo input.json formateado con cada instancia de entrada en una línea separada. El ejemplo siguiente usa las diez primeras instancias de datos en la lista de test_features que se definió en pasos anteriores.

{
  "instances": [

    [25, "Private", 226802, "11th", 7, "Never-married", "Machine-op-inspct", "Own-child", "Black", "Male", 0, 0, 40, "United-States"],
    [38, "Private", 89814, "HS-grad", 9, "Married-civ-spouse", "Farming-fishing", "Husband", "White", "Male", 0, 0, 50, "United-States"],
    [28, "Local-gov", 336951, "Assoc-acdm", 12, "Married-civ-spouse", "Protective-serv", "Husband", "White", "Male", 0, 0, 40, "United-States"],
    [44, "Private", 160323, "Some-college", 10, "Married-civ-spouse", "Machine-op-inspct", "Husband", "Black", "Male", 7688, 0, 40, "United-States"],
    [18, "?", 103497, "Some-college", 10, "Never-married", "?", "Own-child", "White", "Female", 0, 0, 30, "United-States"],
    [34, "Private", 198693, "10th", 6, "Never-married", "Other-service", "Not-in-family", "White", "Male", 0, 0, 30, "United-States"],
    [29, "?", 227026, "HS-grad", 9, "Never-married", "?", "Unmarried", "Black", "Male", 0, 0, 40, "United-States"],
    [63, "Self-emp-not-inc", 104626, "Prof-school", 15, "Married-civ-spouse", "Prof-specialty", "Husband", "White", "Male", 3103, 0, 32, "United-States"],
    [24, "Private", 369667, "Some-college", 10, "Never-married", "Other-service", "Unmarried", "White", "Female", 0, 0, 40, "United-States"],
    [55, "Private", 104996, "7th-8th", 4, "Married-civ-spouse", "Craft-repair", "Husband", "White", "Male", 0, 0, 10, "United-States"]
  ]
}

Ten en cuenta que el formato de las instancias de entrada debe coincidir con lo que tu modelo espera. En este ejemplo, el modelo del censo requiere 14 características, por lo que tu entrada debe ser una matriz de forma (num_instances, 14).

Consulta más información sobre cómo formatear tu entrada para la predicción en línea.

Prueba tu modelo con predicciones locales

Puedes usar gcloud para implementar tu modelo en predicciones locales. Este paso opcional te ayuda a ahorrar tiempo, ya que comprueba la validez de tu modelo antes de implementarlo en Cloud ML Engine. Cuando usas el archivo de modelo que subiste a Cloud Storage, puedes ejecutar la predicción en línea de manera local y obtener una vista previa de los resultados que mostraría el servidor de predicción de Cloud ML Engine.

Usa la predicción local con un pequeño subconjunto de tus datos de prueba para depurar una falta de coincidencia entre las funciones de entrenamiento y entrega. Por ejemplo, si los datos que envías con tu solicitud de predicción no coinciden con lo que espera tu modelo, puedes averiguarlo antes de que se generen costos por las solicitudes de predicción en línea en la nube.

Obtén más información sobre el uso de gcloud local predict.

  1. Establece las variables de entorno para el directorio de Cloud Storage que contiene tu modelo ("gs://your-bucket/"), el marco de trabajo y el nombre de tu archivo de entrada, si aún no lo has hecho:

    MODEL_DIR="gs://your-bucket/"
    INPUT_FILE="input.json"
    FRAMEWORK="XGBOOST"
    
  2. Envía la solicitud de predicción:

    gcloud ml-engine local predict --model-dir=$MODEL_DIR \
        --json-instances $INPUT_FILE \
        --framework $FRAMEWORK
    

Implementa modelos y versiones

Cloud ML Engine organiza tus modelos entrenados mediante el uso de los recursos de modelo y versión. Un modelo de Cloud ML Engine es un contenedor para las versiones de tu modelo de aprendizaje automático.

Para implementar un modelo, crea un recurso de modelo en Cloud ML Engine, crea una versión de ese modelo y luego vincula la versión del modelo al archivo de modelo almacenado en Cloud Storage.

Crea un recurso de modelo

En Cloud ML Engine, se usan los recursos de modelo para organizar diferentes versiones de tu modelo.

Console

  1. Abre la página de modelos de Cloud ML Engine en GCP Console:

    Abrir los modelos en GCP Console

  2. Si es necesario, crea un modelo para agregar tu versión nueva a:

    1. Haz clic en el botón Modelo nuevo en la parte superior de la página Modelos. Esto te lleva a la página Crear modelo.

    2. Ingresa un nombre exclusivo para tu modelo en el cuadro Nombre del modelo. De forma opcional, ingresa una descripción de tu modelo en el campo Descripción.

    3. Haz clic en Guardar.

    4. Verifica que hayas regresado a la página Modelos y que tu modelo nuevo aparezca en la lista.

gcloud

Crea un recurso de modelo para tus versiones de modelo y completa el nombre de tu modelo sin los corchetes:

    gcloud ml-engine models create "[YOUR-MODEL-NAME]"

API de REST

  1. Para formatear tu solicitud, coloca el objeto de modelo en el cuerpo de la solicitud. Como mínimo, debes especificar un nombre para tu modelo. Completa el nombre que desees para tu modelo sin los corchetes:

      {"name": "[YOUR-MODEL-NAME]" }
    
  2. Haz una llamada a la API de REST en la siguiente ruta de acceso y reemplaza [VALUES_IN_BRACKETS] por los valores adecuados:

      POST https://ml.googleapis.com/v1/projects/[YOUR-PROJECT-ID]/models/
    

    Por ejemplo, puedes realizar la siguiente solicitud mediante el uso de cURL:

      curl -X POST -H "Content-Type: application/json" \
        -d '{"name": "[YOUR-MODEL-NAME]"}' \
        -H "Authorization: Bearer `gcloud auth print-access-token`" \
        "https://ml.googleapis.com/v1/projects/[YOUR-PROJECT-ID]/models"
    

    Deberías ver un resultado similar a este:

      {
        "name": "projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]",
        "regions": [
          "us-central1"
        ]
      }
    

Consulta la API de modelo de Cloud ML Engine para obtener más información.

Crea una versión de modelo

Ahora estás listo para crear una versión de modelo con el modelo entrenado que subiste previamente a Cloud Storage. Cuando crees una versión, necesitas especificar los siguientes parámetros:

  • name: debe ser único dentro del modelo de Cloud ML Engine.
  • deploymentUri: la ruta de acceso al directorio en el que se almacena el archivo de modelo exportado. Asegúrate de especificar la ruta de acceso al directorio que contiene el archivo, no la ruta de acceso al archivo de modelo.
    • Ruta de acceso al modelo - gs://your_bucket_name/model.pkl
    • Ruta de acceso al directorio que contiene el modelo - gs://your_bucket_name/
  • framework: "SCIKIT_LEARN" o "XGBOOST"
  • runtimeVersion: debe configurarse en "1.4" o superior para asegurarte de que usas una versión de Cloud ML Engine que admita scikit-learn y XGBoost.
  • pythonVersion: debe configurarse en "3.5" para que sea compatible con los archivos de modelo exportados mediante Python 3. Si no se configura, el valor predeterminado es "2.7".

Consulta más información sobre cada uno de estos parámetros en la API de Cloud ML Engine para un recurso de versión.

Consulta los detalles completos de cada versión del entorno de ejecución.

Console

  1. En la página Modelos, selecciona el nombre del recurso de modelo que te gustaría usar para crear tu versión. Esto te lleva a la página Detalles del modelo.

    Abrir los modelos en GCP Console

  2. Haz clic en el botón Versión nueva en la parte superior de la página Detalles del modelo. Esto te lleva a la página Crear versión.

  3. Ingresa el nombre de la versión en el campo Nombre. De forma opcional, ingresa una descripción de tu versión en el campo Descripción.

  4. Ingresa la siguiente información sobre cómo entrenaste tu modelo en los cuadros desplegables correspondientes:

  5. De forma opcional, selecciona un tipo de máquina para ejecutar la predicción en línea. El valor predeterminado de este campo es "CPU de un núcleo".

  6. En el campo URI del modelo, ingresa la ubicación del depósito de Cloud Storage en la que subiste tu archivo de modelo. Puedes usar el botón "Explorar" para encontrar la ruta de acceso correcta. Asegúrate de especificar la ruta de acceso al directorio que contiene el archivo, no la ruta de acceso al archivo de modelo. Por ejemplo, usa "gs://your_bucket_name/" en lugar de "gs://your_bucket_name/model.pkl".

  7. Selecciona una opción de escalamiento para la implementación de predicción en línea: ajuste de escala automático o ajuste de escala manual.

    • Si seleccionas "Ajuste de escala automático", se muestra el campo opcional Número mínimo de nodos. Puedes ingresar el número mínimo de nodos que se ejecutarán en todo momento, cuando el servicio se haya reducido. El valor predeterminado de este campo es 0.

    • Si seleccionas "Ajuste de escala manual", se muestra el campo obligatorio Número de nodos. Debes ingresar el número de nodos que desees que se ejecute en todo momento.

      Obtén más información sobre los precios para los costos de predicción.

  8. Para terminar de crear tu versión modelo, haz clic en Guardar.

gcloud

  1. Establece variables de entorno para almacenar la ruta al directorio de Cloud Storage en el que se encuentra el modelo binario, el nombre de tu modelo, el nombre de tu versión y tu elección de marco de trabajo ("SCIKIT_LEARN" o "XGBOOST"). Reemplaza [VALUES_IN_BRACKETS] por los valores adecuados:

      MODEL_DIR="gs://your_bucket_name/"
      VERSION_NAME="[YOUR-VERSION-NAME]"
      MODEL_NAME="[YOUR-MODEL-NAME]"
      FRAMEWORK="XGBOOST"
    
  2. Crea la versión:

      gcloud ml-engine versions create $VERSION_NAME \
          --model $MODEL_NAME --origin $MODEL_DIR \
          --runtime-version=1.12 --framework $FRAMEWORK \
          --python-version=3.5
    

    La creación de la versión tarda unos minutos. Cuando esté lista, debes ver el siguiente resultado:

      Creating version (this might take a few minutes)......done.
    
  3. Obtén información sobre tu versión nueva:

      gcloud ml-engine versions describe $VERSION_NAME \
          --model $MODEL_NAME
    

    Deberías ver un resultado similar a este:

      createTime: '2018-02-28T16:30:45Z'
      deploymentUri: gs://your_bucket_name
      framework: XGBOOST
      machineType: mls1-highmem-1
      name: projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]/versions/[YOUR-VERSION-NAME]
      pythonVersion: '3.5'
      runtimeVersion: '1.12'
      state: READY
    

API de REST

  1. Dale formato al cuerpo de tu solicitud para que contenga la versión de objeto. En este ejemplo, se especifican name, deploymentUri, runtimeVersion y framework de la versión. Reemplaza [VALUES_IN_BRACKETS] por los valores adecuados:

      {
        "name": "[YOUR-VERSION-NAME]",
        "deploymentUri": "gs://your_bucket_name/"
        "runtimeVersion": "1.12"
        "framework": "XGBOOST"
        "pythonVersion": "3.5"
      }
    
  2. Haz una llamada a la API de REST en la siguiente ruta de acceso y reemplaza [VALUES_IN_BRACKETS] por los valores adecuados:

      POST https://ml.googleapis.com/v1/projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]/versions
    

    Por ejemplo, puedes realizar la siguiente solicitud mediante el uso de cURL:

        curl -X POST -H "Content-Type: application/json" \
          -d '{"name": "[YOUR-VERSION-NAME]", "deploymentUri": "gs://your_bucket_name/", "runtimeVersion": "1.12", "framework": "XGBOOST", "pythonVersion": "3.5"}' \
          -H "Authorization: Bearer `gcloud auth print-access-token`" \
          "https://ml.googleapis.com/v1/projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]/versions"
    

    La creación de la versión tarda unos minutos. Cuando esté lista, debes ver un resultado similar a esto:

      {
        "name": "projects/[YOUR-PROJECT-ID]/operations/create_[YOUR-MODEL-NAME]_[YOUR-VERSION-NAME]-[TIMESTAMP]",
        "metadata": {
          "@type": "type.googleapis.com/google.cloud.ml.v1.OperationMetadata",
          "createTime": "2018-07-07T02:51:50Z",
          "operationType": "CREATE_VERSION",
          "modelName": "projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]",
          "version": {
            "name": "projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]/versions/[YOUR-VERSION-NAME]",
            "deploymentUri": "gs://your_bucket_name",
            "createTime": "2018-07-07T02:51:49Z",
            "runtimeVersion": "1.12",
            "framework": "XGBOOST",
            "machineType": "mls1-highmem-1",
            "pythonVersion": "3.5"
          }
        }
      }
    

Envía una solicitud de predicción en línea

Una vez que hayas creado correctamente una versión modelo, en Cloud ML Engine se inicia un nuevo servidor que está listo para entregar las solicitudes de predicción.

gcloud

  1. Establece las variables de entorno para el nombre de tu modelo, el nombre de la versión y el nombre de tu archivo de entrada: Reemplaza [VALUES_IN_BRACKETS] por los valores adecuados:

    MODEL_NAME="[YOUR-MODEL-NAME]"
    VERSION_NAME="[YOUR-VERSION-NAME]"
    INPUT_FILE="input.json"
    
  2. Envía la solicitud de predicción:

    gcloud ml-engine predict --model $MODEL_NAME --version \
      $VERSION_NAME --json-instances $INPUT_FILE
    

Python

Esta muestra usa la biblioteca cliente de Python para enviar solicitudes de predicción en todo el conjunto de datos del censo e imprime los primeros diez resultados. Consulta más información sobre cómo usar la biblioteca cliente de Python.

Reemplaza [VALUES_IN_BRACKETS] por los valores adecuados:

import googleapiclient.discovery

# Fill in your PROJECT_ID, VERSION_NAME and MODEL_NAME before running
# this code.

PROJECT_ID = [YOUR PROJECT_ID HERE]
VERSION_NAME = [YOUR VERSION_NAME HERE]
MODEL_NAME = [YOUR MODEL_NAME HERE]

service = googleapiclient.discovery.build('ml', 'v1')
name = 'projects/{}/models/{}'.format(PROJECT_ID, MODEL_NAME)
name += '/versions/{}'.format(VERSION_NAME)

response = service.projects().predict(
    name=name,
    body={'instances': data}
).execute()

if 'error' in response:
  print (response['error'])
else:
  online_results = response['predictions']

Para XGBoost, los resultados son flotantes y deben ser convertidos a booleanos en cualquier umbral que sea adecuado para tu modelo. Por ejemplo:

# convert floats to booleans
converted_responses = [x > 0.5 for x in online_results]

Consulta más información sobre los parámetros de entrada de predicción en los detalles de la solicitud de predicción de la API de Cloud ML Engine.

Acerca de los datos

El Conjunto de datos de ingresos del censo que usa esta muestra para el entrenamiento está alojado en el UC Irvine Machine Learning Repository.

Datos del censo cortesía de: Lichman, M. (2013). UCI Machine Learning Repository http://archive.ics.uci.edu/ml. Irvine, CA: University of California, School of Information and Computer Science. Este conjunto de datos está disponible públicamente para que cualquiera lo use según los siguientes términos proporcionados por la fuente del conjunto de datos: http://archive.ics.uci.edu/ml, y se proporciona "TAL CUAL", sin ninguna garantía, expresa o implícita de Google. Google renuncia a toda responsabilidad de cualquier daño, directo o indirecto, como resultado del uso del conjunto de datos.

Pasos siguientes

¿Te sirvió esta página? Envíanos tu opinión:

Enviar comentarios sobre…

Cloud ML Engine para XGBoost y scikit-learn