Pipeline speichern
Du erstellst die Pipeline jetzt erneut, aber direkt, ohne StandardScaler und LogisticRegression zuerst als Variablen zu initialisieren. Stattdessen nimmst du die Initialisierung direkt bei der Erstellung der Pipeline vor.
Anschließend speicherst du das Modell für die weitere Verwendung.
Die Daten liegen als X_train vor, die Labels als y_train.
StandardScaler, LogisticRegression und Pipeline wurden bereits für dich importiert.
Diese Übung ist Teil des Kurses
<Kurs>IoT-Daten in Python analysieren</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Create Pipeline
pl = Pipeline([
("scale", ____),
("logreg", ____)
])
# Fit the pipeline
____.____(____, ____)