sklearn.pipeline.Pipeline
== 管道Pipeline ==
在Sklearn当中有三大模型：Transformer 转换器、Estimator 估计器、Pipeline 管道
1、Transformer 转换器 (StandardScaler，MinMaxScaler)
## 数据标准化
## StandardScaler 画图纸
ss = StandardScaler()
## fit_transform训练并转换
## fit在计算，transform完成输出
X_train = ss.fit_transform(X_train)
X_train
Transformer有输入有输出，同时输出可以放入Transformer或者Estimator 当中作为输入。
2、Estimator 估计器（LinearRegression、LogisticRegression、LASSO、Ridge），所有的机器学习算法模型，都被称为估计器。
## 模型训练
lr = LinearRegression()
## LinearRegression 是一个有监督的算法，所以要把特征值和目标值一起放入
lr.fit(X_train,Y_train) #训练模型
## 模型校验
y_predict = lr.predict(X_test) #预测结果
y_predict 是估计器的输出模型，估计器输出无法再放入Transformer 或 Estimator当中再获取另一个输出了。
3、Pipeline 管道
将Transformer、Estimator 组合起来成为一个大模型。
管道： 输入→□→□→□→■→ 输出
□：Transformer ； ■：Estimator ；
Transformer放在管道前几个模型中，而Estimator 只能放到管道的最后一个模型中。
家庭用电预测demo中使用多项式扩展：
结合：
04 回归算法 - 最小二乘线性回归案例
05 回归算法 - 多项式扩展、管道Pipeline
头文件引入Pipeline：
from sklearn.pipeline import Pipeline
其他需要引入的包：
##家庭用电预测：线性回归算法（时间与功率&功率与电流之间的关系）
## 一般用到sklearn的子库
import sklearn
from sklearn.model_selection import train_test_split #训练集测试集划分，最新版本中该库直接归到了sklearn的子库
from sklearn.linear_model import LinearRegression # 线性模型
from sklearn.preprocessing import StandardScaler # 预处理的库
from sklearn.preprocessing import MinMaxScaler
## 管道相关的包
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import PolynomialFeatures
from sklearn.model_selection import GridSearchCV
Pipeline 的参数是一个列表，列表中存放着每一个模型的信息。
第0个模型名字： ss，告诉系统我要做数据标准化。
第1个模型名字： Poly，告诉系统我要做一个多项式扩展。
PolynomialFeatures即进行了ss= StandardScaler()的操作,并做了3阶的扩展
第2个模型名字： Linear，告诉系统进行模型训练。
fit_intercept=False 表示截距为0
截距：y=ax+b, b是截距。一般推荐使用fit_intercept=True。
如果输入特征包含x1,x2，将特征放入多项式扩展的图纸后，我们会得到一个针对x1,x2扩展的特征集，并把数据输出出来。因此在多项式扩展的算法中，存储的特征集合将是扩展后的结果。
## 可以设置多个管道，放进models里
models = [
Pipeline([
('ss',StandardScaler()),
('Poly',PolynomialFeatures(degree=3)),#给定多项式扩展操作-3阶扩展
('Linear',LinearRegression(fit_intercept=False))
])，
Pipeline([
('ss',StandardScaler()),
('Poly',PolynomialFeatures(degree=5)),#给定多项式扩展操作-5阶扩展
('Linear',LinearRegression(fit_intercept=False))
])
]
model_0 = models[0] # 获取第一个管道
model_1 = models[1] # 获取第二个管道
## 对Poly模型中的degree参数进行赋值
## 模型名__参数
model_0.set_params(Poly__degree=d) ## 设置多项式的阶乘
## fit完后流转到下一个节点
## 虽然标准化数据的时候只针对X_train，但因为后面进入Estimator环节需要Y_train的数据，所以一并传入
model_0.fit(X_train, Y_train)
## model.get_params()调用管道中所有模型的参数
## ['Linear'] 提取Linear模型的参数
lin = model_0.get_params()['Linear']
output = u'%d阶，系数为：' % d
## 判断Linear模型中是否有alpha这个参数
if hasattr(lin, 'alpha_'):
idx = output.find(u'系数')
output = output[:idx] + (u'alpha=%.6f, ' % lin.alpha_) + output[idx:]
## 判断Linear模型中是否有l1_ratio这个参数
if hasattr(lin, 'l1_ratio_'):
idx = output.find(u'系数')
output = output[:idx] + (u'l1_ratio=%.6f, ' % lin.l1_ratio_) + output[idx:]
## 输出Linear模型中θ1~θn的属性
print ('==',output, lin.coef_.ravel())
y_hat = _0.predict(X_test)
s = _0.score(X_test, Y_test)
最后用一张图解释fit、transfrom操作在管道和一般模型训练中的区别：