PCA in einer Modell-Pipeline
Wir haben gerade gesehen, dass legendäre Pokémon insgesamt höhere Werte haben. Schauen wir, ob wir unserer Pipeline einen Klassifikator hinzufügen können, der legendäre von nicht-legendären Pokémon anhand der Hauptkomponenten unterscheidet.
Die Daten wurden bereits für dich geladen und in Trainings- und Testdatensätze aufgeteilt: X_train, X_test, y_train, y_test.
Gleiches gilt für alle relevanten Pakete und Klassen (Pipeline(), StandardScaler(), PCA(), RandomForestClassifier()).
Diese Übung ist Teil des Kurses
<Kurs>Dimensionsreduktion in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Build the pipeline
pipe = Pipeline([
('scaler', ____),
('reducer', ____),
('classifier', ____)])