Armazenar Pipeline
Agora você vai criar a Pipeline novamente, mas diretamente, pulando a etapa de inicializar StandardScaler e LogisticRegression como variáveis. Em vez disso, você fará a inicialização como parte da criação da Pipeline.
Em seguida, você vai salvar o modelo para uso futuro.
Os dados estão disponíveis como X_train, com os rótulos em y_train.
StandardScaler, LogisticRegression e Pipeline já foram importados para você.
Este exercício faz parte do curso
Analisando Dados de IoT em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Create Pipeline
pl = Pipeline([
("scale", ____),
("logreg", ____)
])
# Fit the pipeline
____.____(____, ____)