管道模型（Pipeline）

大多数机器学习应用不仅需要应用单个算法，而且还需要将许多不同的处理步骤和机器学习模型链接在一起，例如对数据进行缩放，然后手动合并特征，再利用无监督学习来学习特征。为了简化构建变换和模型链的过程，Scikit-Learn提供了pipeline类，可以将多个处理步骤合并为单个Scikit-Learn估计器。pipeline类本身具有fit、predict和score方法，其行为与Scikit-Learn中的其他模型相同。

1. 使用Pipeline类来表示在使用MinMaxScaler缩放数据之后再训练一个SVM的工作流程

这里 ，我们构建了一个由步骤列表组成的管道对象，每个步骤都是一个元组，包含一个名称（自定义）和一个估计器的实例。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，最后利用缩放后的数据来拟合SVM。利用管道，我们减少了“预处理+分类”过程所需要的代码量，而且，使用管道的主要优点在于，我们可以在cross_val_score或GridSearchCV中使用这个估计器。

from sklearn.pipeline import Pipeline
pipe = Pipeline([("scaler",MinMaxScaler()),("svm",SVC())])
# Pipeline([("xxx",yyy()),("aaa",bbb())])
pipe.fit(X_train,y_train)
pipe.score(X_test,y_test)

2. 在网格搜索中使用管道

我们需要为每个参数（C和gamma）指定它在管道中所属的步骤。为管道定义参数网格的语法是为每个参数指定步骤名称，后面加上__（双下划线），然后是参数名称（svm__C和svm_gamma）。

param_grid = {'svm__C':[0.001,0.01,0.1,1,10,100],'svm__gamma':[0.001,0.01,0.1,1,10,100]}
grid = GridSearchCV(pipe,param_grid=param_grid,cv=5)
grid.fit(X_train,y_train)
print("Test set score:{:.2f}".format(grid.score(X_test,y_test))) 

3. 用make_pipeline创建管道

用Pipeline类构建管道时语法有点麻烦，我们通常不需要为每一个步骤提供用户指定的名称，这种情况下，就可以用make_pipeline函数创建管道，它可以为我们创建管道并根据每个步骤所属的类为其自动命名。

from sklearn.pipeline import make_pipeline
pipe = make_pipeline(MinMaxScaler(),SVC())

一般来说，自动命名的步骤名称是类名称的小写版本，如果多个步骤属于同一个类，则会附加一个数字。