Modelvoorspellingen
Je bent klaar om je model te gebruiken om waarden te voorspellen op basis van de testgegevens en de resultaten te bekijken!
Alle benodigde modules zijn geïmporteerd en de data is beschikbaar als X_train, y_train en X_test. Raadpleeg gerust de dia's als je niet meer weet hoe je een Pipeline initialiseert.
Deze oefening maakt deel uit van de cursus
IoT-gegevens analyseren in Python
Oefeninstructies
- Maak, net als eerder, een Pipeline met een
StandardScaleren eenLogisticRegression, en noem de stappen respectievelijk"scale"en"logreg". - Fit de Pipeline op
X_traineny_train. - Voorspel de klassen voor
X_testen sla het resultaat op alspredictions. - Print de resulterende array.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Create Pipeline
pl = Pipeline([
(____, ____),
____
])
# Fit the pipeline
____.____(____, ____)
# Predict classes
____ = ____.____(____)
# Print results
print(____)