用于预测歌曲流行度的管道
在最后一个练习中，您将构建一个管道，用于填补缺失值、缩放特征，并对逻辑回归模型进行超参数调优。目标是在预测歌曲流派时找到最佳参数和最高准确率！
构建管道所需的所有模型和对象都已为您预加载。
本练习是课程的一部分
使用 scikit-learn 的监督学习
练习说明
- 通过调用简单填补器、标准化缩放器和逻辑回归模型来创建管道的步骤。
- 创建一个管道对象，并传入变量
steps。 - 实例化一个网格搜索对象，使用该管道和参数进行交叉验证。
- 打印最佳参数，并计算并打印该网格搜索对象在测试集上的准确率分数。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Create steps
steps = [("imp_mean", ____()),
("scaler", ____()),
("logreg", ____())]
# Set up pipeline
pipeline = ____(____)
params = {"logreg__solver": ["newton-cg", "saga", "lbfgs"],
"logreg__C": np.linspace(0.001, 1.0, 10)}
# Create the GridSearchCV object
tuning = ____(____, param_grid=____)
tuning.fit(X_train, y_train)
y_pred = tuning.predict(X_test)
# Compute and print performance
print("Tuned Logistic Regression Parameters: {}, Accuracy: {}".format(____.____, ____.____))