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：
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
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：
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。
