As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# XGBoost Versão 0.72
: : ... As solicitações de inferência para libsvm podem ou não ter rótulos no formato libsvm.
Isso difere de outros algoritmos de SageMaker IA, que usam o formato de entrada de treinamento protobuf para manter uma maior consistência com os formatos de XGBoost dados padrão.
Para o modo de entrada do treinamento CSV, a memória total disponível para o algoritmo (contagem de instância \* a memória disponível no `InstanceType`) deve ser capaz de conter o conjunto de dados de treinamento. Para o modo de entrada de treinamento libsvm, não é necessário, mas recomendado.
SageMaker A IA XGBoost usa o módulo pickle do Python serialize/deserialize no modelo, que pode ser usado para saving/loading o modelo.
**Para usar um modelo treinado com SageMaker IA XGBoost em código aberto XGBoost**
+ Use o seguinte código do Python:
```
import pickle as pkl
import tarfile
import xgboost
t = tarfile.open('model.tar.gz', 'r:gz')
t.extractall()
model = pkl.load(open({{model_file_path}}, 'rb'))
# prediction with test data
pred = model.predict({{dtest}})
```
**Para diferenciar a importância dos pontos de dados rotulados, use Apoios de peso de instância**
+ SageMaker A IA XGBoost permite que os clientes diferenciem a importância dos pontos de dados rotulados atribuindo a cada instância um valor de peso. Para a entrada *text/libsvm*, os clientes podem atribuir valores de peso a instâncias de dados, anexando-os após os rótulos. Por exemplo, .`label:weight idx_0:val_0 idx_1:val_1...` Para entrada *text/csv*, os clientes precisam ativar o sinalizador `csv_weights` nos parâmetros e anexar valores de peso na coluna após os rótulos. Por exemplo: `label,weight,val_0,val_1,...`).
## Recomendação de instância do EC2 para a XGBoost versão 0.72