用于分类的中心化与缩放
现在，您将把特征缩放与模型构建结合到一个用于交叉验证的管道中。
您的任务是构建一个管道，对 music_df 数据集的特征进行缩放，并使用逻辑回归模型对超参数 C 的不同取值进行网格搜索交叉验证。此处的目标变量是 "genre"，其中摇滚为 1，其他流派为 0。
StandardScaler、LogisticRegression 和 GridSearchCV 均已为您导入。
本练习是课程的一部分
使用 scikit-learn 的监督学习
练习说明
- 构建管道步骤：一个名为
"scaler"的StandardScaler()对象，以及一个名为"logreg"的逻辑回归模型。 - 创建
parameters：在管道内为逻辑回归模型的C超参数搜索从0.001到1.0之间等间距的 20 个浮点值。 - 实例化网格搜索对象。
- 将网格搜索对象拟合到训练数据。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Build the steps
steps = [("____", ____()),
("____", ____())]
pipeline = Pipeline(steps)
# Create the parameter space
parameters = {"____": np.____(____, ____, 20)}
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,
random_state=21)
# Instantiate the grid search object
cv = ____(____, param_grid=____)
# Fit to the training data
cv.____(____, ____)
print(cv.best_score_, "\n", cv.best_params_)