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
IoT-Daten in Python analysieren
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Create Pipeline
pl = Pipeline([
("scale", ____),
("logreg", ____)
])
# Fit the pipeline
____.____(____, ____)