在机器学习过程中，大多数机器学习应用不仅需要应该用单个算法，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。

接下来我们将引入本章学习的内容——Pipeline类：该类可以简化构造变换和模型链的过程。这里重点介绍Pipeline的结果。下面以使用Pipeline和GridSearchCV来提高cancer数据库性能为例：

from sklearn.svm import SVC

from sklearn.datasets import load_breast_cancer

from sklearn.preprocessing import MinMaxScaler

#加载并划分数据

cancer = load_breast_cancer()

x_train, x_test, y_train, y_test = train_test_split(cancer.data, cancer.target, random_state=0)

#计算训练数据中的最大最小值

scaler = MinMaxScaler().fit(x_train)

x_train_scaled = scaler.transform(x_train)

svm = SVC()

#在缩放后的训练集上学习SVM

svm.fit(x_train, y_train)

#对测试数据进行缩放，并计算缩放后数据额分数

x_test_scaled = scaler.transform(x_test)

print("Test score is:{:.3f}".format(svm.score(x_test_scaled, y_test)))

运行后输出结果为：

Test score is:0.629

用预处理进行参数选择：现在，假设我们希望利用GridSearchCV找到更好的SVC参数，可以按照前面所学的方法进行，具体代码如下：

param_grid = {'gamma': [0.001,0.01,0.1,1,10]}

grid = GridSearchCV(SVC(), param_grid=param_grid, cv=5)

grid.fit(x_train, y_train)

print("Grid Search with accuracy")

print("Best parameters:", grid.best_params_)

print("Best cross_val_score (accuracy):{:.3f}".format(grid.best_score_))

print("Test set accuracy: {:.3f}".format(grid.score(x_test, y_test)))

运行后其结果如下：

Best parameters: {'gamma': 0.001}

Best cross_val_score (accuracy):0.923

Test set accuracy: 0.930

由此可见，通过缩放后其精度得到较大提高。不过，上述代码中有一个不容易察觉的陷阱，就是我们将数据进行缩放时，使用了训练集中所有数据来找到训练的方法，然后使用缩放后的训练数据来运行带交叉验证的网格搜索。相当于将其中的训练集和测试集都进行了每次的划分和缩放，这样就得到了过分乐观的预测结果。

对于模型来说，这种数据与新数据看起来截然不同，如果我们观察新数据(比如测试集中的数据)，那么这些数据并没有用于对训练集中的数据进行缩放，其最大值和最小值也可能与训练数据不同，下图显示了交叉验证与最终评估这两个过程中数据处理的不同之处：

mglearn.plots.plot_improper_processing()

在交叉验证循环之外进行与处理时的数据情况

因此，对于建模过程，交叉验证中的划分无法正确地反映新数据的特征，我们已经将这部分数据信息泄露给建模过程，这将会导致在交叉验证过程中得到过于乐观的结果。

为了解决这个问题，在交叉验证中，应该在进行任何预处理之前完成数据集的划分，任何从数据集中提取信息的处理过程都应该仅应用于数据集的训练部分。因此，任何交叉验证都应该处于最外层循环。

在scikit-learn中，要想使用cross_val_score函数和GridSearchCV函数实现这一点，可以使用Pipeline类。Pipeline类可以将多个处理步骤进行合并为单个的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。Pipeline最常见的用力就是将预处理步骤(比如数据的缩放)与一个监督模型(比如分类器)链接在一起。