Pipelines maken
Je gaat nu een van de beste features van scikit-learn gebruiken: Pipelines. Met Pipelines kun je meerdere stappen aan elkaar koppelen, zoals transformaties en schatters, die achter elkaar op nieuwe data worden toegepast.
Je maakt nu een pipeline met zowel een StandardScaler als een LogisticRegression-schatting.
Hiermee kun je ongeschaalde data aan de pipeline doorgeven: de Scaler schaalt de data en de LogisticRegression voorspelt de doeldatasetkolom.
De ongeschaalde data staat in X_train, en de labels zijn geladen als y_train.
Een subset van de data, X_test, is ook beschikbaar om het model te evalueren.
StandardScaler en LogisticRegression 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.
# Import pipeline
from ____ import ____
# Create Scaler and Regression objects
sc = ____()
logreg = ____