目录

1、首先，我们构建一个由步骤列表组成的管道对象。

2、向任何其他scikit-learn估计器一样来拟合这个管道

3、调用pipe.score

---

我们来看下如何使用Pipeline类来表示在使用MinMaxScaler缩放数据后，再训练一个SVM的工作流程（暂时不用网格搜索）：

1、首先，我们构建一个由步骤列表组成的管道对象。

每个步骤都是一个元祖，其中包含一个名称（选定的任意字符）和一个估计器的示例：

python">from sklearn.pipeline import Pipeline
pipe=Pipeline([('scaler',MinMaxScaler()),('svm',SVC())])

这里我们创建了两个步骤：1、‘scaler’，是MinMaxScaler的实例；2、‘svm’，是SVC的实例。

2、向任何其他scikit-learn估计器一样来拟合这个管道

python">pipe.fit(X_train,y_train)

这里pipe.fit首先对第一个步骤（缩放器）调用fit，然后使用该缩放器对训练数据进行变换，最后用缩放后的数据来拟合SVM

3、调用pipe.score

这一步可以在测试数据上进行评估：

python">print('在测试集的精度：{:.4f}'.format(pipe.score(X_test,y_test)))

如果对管道调用score方法，则首先使用缩放器对测试数据进行变换，然后利用缩放后的测试数据对SVM调用score方法。

可以看到，这个结果与手动进行数据变换是相同的。利用管道，我们减少了“预处理+分类”过程所需要的代码量。

但是，使用管道的主要有点在于，现在我们可以在cross_val_score火GridSearchCV中使用这个估计器。