隨著實驗的增加，操作的復雜程度也在提高。我們可能需要切分數據集，對特征進行二值化 處理，以特征或數據集中的個體為基礎規范化數據，除此之外還可能需要其他各種操作。

當操作變得越來越復雜的時候，我們很難追蹤到數據和代碼的運行情況，如果數據處理順序錯了，可能也不容易得到我們想要的結果。這時候，引入流水線來規范就很有必要了。

from sklearn.pipeline import Pipeline

流水線大致分為兩步：
（1）用MinMaxScaler將特征取值范圍規范到0~1。
（2）指定KNeighborsClassifier分類器。

每一步都用元組（‘名稱’，步驟）來表示。現在來創建流水線。

scaling_pipeline = Pipeline([('scale', MinMaxScaler()),('predict', KNeighborsClassifier())])

流水線的核心是元素為元組的列表。第一個元組規范特征取值范圍，第二個元組實現預測功能。我們把第一步叫作規范特征取值（scale），第二步叫作預測（predict），也可以用其他名字。 元組的第二部分是實際的轉換器對象或估計器對象。

下面運行，就可以出結果了。

scores = cross_val_score(scaling_pipeline, X_broken, y, scoring='accuracy') print("The pipeline scored an average accuracy for is {0:.1f}%". format(np.mean(transformed_scores) * 100))

總結

以上是生活随笔為你收集整理的创建流水线的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。