Stocker le Pipeline
Vous allez à présent recréer le Pipeline directement, sans passer par l’étape où StandardScaler et LogisticRegression sont initialisés dans des variables. À la place, vous ferez cette initialisation au moment de la création du Pipeline.
Vous stockerez ensuite le modèle pour une utilisation ultérieure.
Les données sont disponibles sous X_train, avec les étiquettes y_train.
StandardScaler, LogisticRegression et Pipeline ont déjà été importés pour vous.
Cet exercice fait partie du cours
<cours>Analyzing IoT Data in Python</cours>Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create Pipeline
pl = Pipeline([
("scale", ____),
("logreg", ____)
])
# Fit the pipeline
____.____(____, ____)