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
Analyzing IoT Data in Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Create Pipeline
pl = Pipeline([
("scale", ____),
("logreg", ____)
])
# Fit the pipeline
____.____(____, ____)