用於迴歸的置中與縮放
既然你已經看過縮放資料的好處，接下來要用 pipeline 先前處理 music_df 的特徵，並建立一個 lasso 迴歸模型來預測歌曲的 loudness。
X_train、X_test、y_train 和 y_test 已經從 music_df 資料集建立完成，目標變數是 "loudness"，而特徵是資料集中其餘所有欄位。Lasso 和 Pipeline 也都已為你匯入。
請注意，"genre" 已轉換為二元特徵，其中 1 代表搖滾歌曲，0 代表其他曲風。
本練習屬於課程
使用 scikit-learn 進行監督式學習
練習說明
- 匯入
StandardScaler。 - 為 pipeline 物件建立步驟：建立名為
"scaler"的StandardScaler物件，以及將alpha設為0.5、名為"lasso"的 lasso 模型。 - 以這些步驟具現化一個 pipeline，用來先縮放並建立 lasso 迴歸模型。
- 在測試資料上計算 R-squared。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Import StandardScaler
____
# Create pipeline steps
steps = [("____", ____()),
("____", ____(alpha=____))]
# Instantiate the pipeline
pipeline = ____(____)
pipeline.fit(X_train, y_train)
# Calculate and print R-squared
print(____.____(____, ____))