Прогнози моделі

Ви готові використати свою модель, щоб передбачити значення на основі тестового набору даних і переглянути результати!

Усі потрібні модулі імпортовано, а дані доступні як X_train, y_train та X_test. За потреби зверніться до слайдів, якщо не пам'ятаєте, як ініціалізувати Pipeline.

Ця вправа є частиною курсу

Аналіз даних IoT у Python

Переглянути курс

Інструкції до вправи

Створіть Pipeline, як раніше, використовуючи StandardScaler і LogisticRegression, та назвіть кроки відповідно "scale" і "logreg".
Навчіть Pipeline на X_train і y_train.
Передбачте класи для X_test і збережіть результат у змінній predictions.
Виведіть отриманий масив.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create Pipeline
pl = Pipeline([
        (____, ____),
  		 ____
    ])

# Fit the pipeline
____.____(____, ____)

# Predict classes
____ = ____.____(____)

# Print results
print(____)

Редагувати та запускати код