Pipeline opslaan
Je gaat nu de Pipeline opnieuw maken, maar dan direct, zonder eerst StandardScaler en LogisticRegression als variabele te initialiseren. In plaats daarvan doe je de initialisatie binnen het aanmaken van de Pipeline.
Daarna sla je het model op voor later gebruik.
De data is beschikbaar als X_train, met de labels als y_train.
StandardScaler, LogisticRegression en Pipeline zijn al voor je geïmporteerd.
Deze oefening maakt deel uit van de cursus
IoT-gegevens analyseren in Python
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Create Pipeline
pl = Pipeline([
("scale", ____),
("logreg", ____)
])
# Fit the pipeline
____.____(____, ____)