Predykcje modelu

Czas wykorzystać model do przewidywania wartości na podstawie zbioru testowego i sprawdzić wyniki!

Wszystkie niezbędne moduły zostały już zaimportowane, a dane są dostępne jako X_train, y_train i X_test. Jeśli nie pamiętasz, jak zainicjalizować obiekt Pipeline, zajrzyj do slajdów.

To ćwiczenie jest częścią kursu

Analiza danych IoT w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz obiekt Pipeline jak poprzednio, używając StandardScaler i LogisticRegression, i nadaj krokom nazwy odpowiednio "scale" i "logreg".
Dopasuj obiekt Pipeline do danych X_train i y_train.
Przewidź klasy dla X_test i zapisz wynik jako predictions.
Wyświetl otrzymaną tablicę.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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

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

# Predict classes
____ = ____.____(____)

# Print results
print(____)

Edytuj i uruchom kod