Prédictions du modèle

Vous êtes prêt à utiliser votre modèle pour prédire des valeurs à partir du jeu de test et examiner les résultats !

Tous les modules nécessaires ont été importés et les données sont disponibles sous X_train, y_train et X_test. N’hésitez pas à consulter le diaporama si vous ne vous souvenez plus comment initialiser une Pipeline.

Cet exercice fait partie du cours

<cours>Analyzing IoT Data in Python</cours>

Voir le cours

Instructions de l’exercice

Créez une Pipeline comme précédemment, en utilisant un StandardScaler et une LogisticRegression, et nommez les étapes "scale" et "logreg" respectivement.
Ajustez la Pipeline sur X_train et y_train.
Prédisez les classes pour X_test et stockez le résultat dans predictions.
Affichez le tableau obtenu.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create Pipeline
pl = Pipeline([
        (____, ____),
  		 ____
    ])

# Fit the pipeline
____.____(____, ____)

# Predict classes
____ = ____.____(____)

# Print results
print(____)

Modifier et exécuter le code