PCA i en modellpipeline
Vi såg nyss att legendariska Pokémon tenderar att ha högre värden överlag. Låt oss se om vi kan lägga till en klassificerare i vår pipeline som identifierar legendariska kontra icke-legendariska Pokémon baserat på huvudkomponenterna.
Data har laddats in i förväg och delats upp i tränings- och testdatamängder: X_train, X_test, y_train, y_test.
Detsamma gäller alla relevanta paket och klasser (Pipeline(), StandardScaler(), PCA(), RandomForestClassifier()).
Den här övningen är en del av kursen
Dimensionsreduktion i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Build the pipeline
pipe = Pipeline([
('scaler', ____),
('reducer', ____),
('classifier', ____)])