Créer des pipelines
Vous allez maintenant utiliser l’une des meilleures fonctionnalités offertes par scikit-learn : les Pipelines. Les Pipelines vous permettent d’enchaîner plusieurs étapes, comme des transformations et des estimations, appliquées séquentiellement à de nouvelles données.
Vous allez créer un pipeline contenant à la fois un StandardScaler et un estimateur LogisticRegression.
Cela vous permet de fournir des données non normalisées au pipeline : le Scaler mettra les données à l’échelle, puis la LogisticRegression prédira la colonne cible.
Les données non mises à l’échelle sont disponibles dans X_train, et les étiquettes ont été chargées dans y_train.
Un sous-ensemble des données, X_test, est également disponible pour évaluer le modèle.
StandardScaler et LogisticRegression ont 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.
# Import pipeline
from ____ import ____
# Create Scaler and Regression objects
sc = ____()
logreg = ____