sklearn中的pipeline的创建与访问
前期博文提到管道（pipeline）在机器学习实践中的重要性以及必要性，本文则递进一步，探讨实际操作中管道的创建与访问。
已经了解到，管道本质上是一定数量的估计器连接而成的数据处理流，所以成功创建管道的唯一要求就是：管道中所有估计器必须具有fit()和transform()方法，但管道中最后一个估计器只需具有fit()方法足矣；
这个约束条件的目的是保证，管道中后一个估计器能够接受前一个估计器的transform输出。
pipeline创建
创建管道一般有两种途径：
如上图，利用Pipeline创建两个估计器构成的管道，并且指明每个步骤的名称；利用pipe_long.steps()方法可以得到管道的每个估计器的细节信息。
对比这两个创建方法，可以发现不指定处理步骤名称时，系统会自动给估计器命名（见图中圆圈部分）。
访问pipeline中估计器信息
如下图所示，圆圈部分利用管道的named_steps属性和特定估计器的名称指定访问目标，而后访问目标的components_信息。
下面是一个较为完整的实例：
第一步，先创建由数据标准化函数和逻辑回归分类器构成的管道，并在网格搜索的框架下进行训练数据的拟合：
第二步：类似地，利用管道的named_steps属性指定逻辑回归估计器的步骤名称，得到估计器的大体信息和系数属性。
实际上，管道机制与网格搜索的结合可以完成许多有意思的工作，这一部分内容见后期博文。
版权声明：本文为pythonfl原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。