Tworzenie potoków
Teraz skorzystasz z jednej z najlepszych funkcji biblioteki scikit-learn – potoków (Pipelines). Potoki pozwalają łączyć wiele operacji w łańcuch, takich jak transformacje i estymacje, które są stosowane sekwencyjnie do nowych danych.
Stworzysz potok zawierający zarówno StandardScaler, jak i estymator LogisticRegression.
Dzięki temu możesz przekazywać do potoku nieskalowane dane – StandardScaler je przeskaluje, a LogisticRegression przewidzi wartości kolumny docelowej.
Nieskalowane dane są dostępne jako X_train, a etykiety zostały wczytane jako y_train.
Do oceny modelu dostępny jest również podzbiór danych X_test.
StandardScaler i LogisticRegression zostały już zaimportowane.
To ćwiczenie jest częścią kursu
Analiza danych IoT w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import pipeline
from ____ import ____
# Create Scaler and Regression objects
sc = ____()
logreg = ____