分别进行训练和部署

以下是一个示例解决方案，它展示了如何分别进行训练和部署机器学习模型的代码示例：

训练模型的代码示例：

# 导入所需库
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# 加载数据集
X, y = load_data()

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 保存训练后的模型
model.save("trained_model.pkl")

部署模型的代码示例：

# 导入所需库
from sklearn.externals import joblib

# 加载训练后的模型
model = joblib.load("trained_model.pkl")

# 假设有一个新的样本数据
new_data = [1, 2, 3, 4]

# 使用模型进行预测
prediction = model.predict([new_data])

# 打印预测结果
print(prediction)

上述示例中，首先使用train_test_split函数将数据集分为训练集和测试集，并使用LogisticRegression模型进行训练。然后，使用save函数将训练后的模型保存为trained_model.pkl文件。

在部署模型的代码示例中，首先使用joblib.load函数加载训练后的模型。然后，假设有一个新的样本数据new_data，使用模型的predict方法进行预测，并将预测结果打印出来。

请注意，示例中的代码只是一个简单的示例，实际情况中可能涉及到更复杂的数据预处理、模型调优等步骤。具体的代码实现取决于你使用的具体机器学习框架和模型。