用于回归的居中与缩放
现在您已经了解了对数据进行缩放的好处，您将使用 pipeline 来预处理 music_df 的特征，并构建一个 lasso 回归模型来预测歌曲的响度。
X_train、X_test、y_train 和 y_test 已根据 music_df 数据集创建，其中目标为 "loudness"，特征为数据集中的其他所有列。Lasso 和 Pipeline 也已为您导入。
请注意，"genre" 已被转换为二元特征，其中 1 表示摇滚歌曲，0 表示其他流派。
本练习是课程的一部分
使用 scikit-learn 的监督学习
练习说明
- 导入
StandardScaler。 - 为 pipeline 对象创建步骤：一个名为
"scaler"的StandardScaler对象，以及一个名为"lasso"、alpha设为0.5的 lasso 模型。 - 实例化一个包含缩放与构建 lasso 回归模型步骤的 pipeline。
- 在测试数据上计算 R-squared 值。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Import StandardScaler
____
# Create pipeline steps
steps = [("____", ____()),
("____", ____(alpha=____))]
# Instantiate the pipeline
pipeline = ____(____)
pipeline.fit(X_train, y_train)
# Calculate and print R-squared
print(____.____(____, ____))