Modellprediktion
Nu är du redo att använda din modell för att förutsäga värden baserat på testdatamängden och granska resultaten!
Alla nödvändiga moduler har importerats och data finns tillgänglig som X_train, y_train och X_test. Ta gärna hjälp av slides om du inte kommer ihåg hur man initierar en Pipeline.
Den här övningen är en del av kursen
Analysera IoT-data i Python
Övningsinstruktioner
- Skapa en Pipeline som tidigare, med en
StandardScaleroch enLogisticRegression, och ge stegen namnen"scale"respektive"logreg". - Träna Pipeline:n på
X_trainochy_train. - Förutsäg klasser för
X_testoch lagra resultatet sompredictions. - Skriv ut det resulterande arrayet.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create Pipeline
pl = Pipeline([
(____, ____),
____
])
# Fit the pipeline
____.____(____, ____)
# Predict classes
____ = ____.____(____)
# Print results
print(____)