Spara pipeline
Nu ska du skapa pipeline igen, men den här gången direkt – utan att först initiera StandardScaler och LogisticRegression som separata variabler. I stället gör du initialiseringen direkt som en del av pipeline-skapandet.
Därefter sparar du modellen för vidare användning.
Data finns tillgänglig som X_train, med etiketterna som y_train.
StandardScaler, LogisticRegression och Pipeline har redan importerats åt dig.
Den här övningen är en del av kursen
Analysera IoT-data i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create Pipeline
pl = Pipeline([
("scale", ____),
("logreg", ____)
])
# Fit the pipeline
____.____(____, ____)