机器学习（ML）模型中有许多移动部件必须连接在一起才能使ML模型成功执行并生成结果。将ML过程的不同部分捆绑在一起的过程称为管道。对于数据科学家来说，管道是一个概括但非常重要的概念。在软件工程中，人们构建管道来开发从源代码到部署的软件。类似地，在ML中，创建了一个管道，以允许数据从其原始格式流向一些有用的信息。它提供了一种构建多ML并行管道系统的机制，以便比较几种ML方法的结果。
管道的每个阶段都馈送从其前一阶段处理的数据; 也就是说，处理单元的输出作为输入提供给下一步骤。正如水在管道中流动一样，数据流过管道。掌握管道概念是创建无差错ML模型的有效方法，管道是AutoML系统的关键要素。
简单的管道
我们将首先导入一个称为Iris的数据集，该数据集已在scikit-learn的样本数据集库中提供（http://scikit-learn.org/stable/auto_examples/datasets/plot_iris_dataset.html）。数据集由四个要素组成，共有150行。我们将在管道中开发以下步骤，以使用Iris数据集训练我们的模型。问题陈述是使用四种不同的特征来预测虹膜数据的种类，如下面的流程图所示：
图片标题
在这个管道中，我们将使用MinMaxScaler方法来缩放输入数据和逻辑回归以预测虹膜的种类。然后将根据准确度度量评估模型：
1.第一步是从scikit导入 - 学习各种库，这些库将提供完成任务的方法。我们必须从sklearn.pipeline添加Pipeline方法，它将为我们提供创建ML管道所需的必要方法：
来自 sklearn.datasets import load_iris
来自 sklearn.preprocessing 导入 MinMaxScaler
来自 sklearn.linear_model import LogisticRegression
来自 sklearn.model_selection import train_test_split
来自 sklearn.pipeline import Pipeline
2.下一步是加载虹膜数据并将其分成训练和测试数据集。在此示例中，我们将使用80％的数据集来训练模型，剩余的20％用于测试模型的准确性。我们可以使用shape函数来查看数据集的维度：
＃加载并拆分数据
iris = load_iris（）
X_train，X_test，y_train，y_test = train_test_split（iris.data，iris.target，test_size = 0.2，random_state = 42）
X_train.shape
3.以下结果显示训练数据集有4列120行，相当于Iris数据集的80％，并且符合预期：
图片标题
4.接下来，我们打印数据集：
打印（X_train）
上面的代码产生以下输出：
图片标题
5.下一步是创建一个管道。管道对象采用（键，值）对的形式。Key是一个字符串，它具有特定步骤的名称，value是函数或实际方法的名称。在下面的代码片段中，我们将MinMaxScaler（）方法命名为minmax，将LogisticRegression（）命名为lr：
pipe_lr = Pipeline（[（' minmax'，MinMaxScaler（）），
（' lr'，LogisticRegression（））]）
6.然后，我们将管道对象pipe_lr拟合到训练数据集：
pipe_lr.fit（X_train，y_train）
7.在执行上述代码时，您将获得以下输出，该输出显示已构建的拟合模型的最终结构：
图片标题
8.最后一步是使用score方法在测试数据集上对模型进行评分：
得分 = pipe_lr.score（X_test，y_test）
print（' Logistic回归管道测试精度：％。3f' ％ 得分）
我们可以从以下结果中注意到，模型的准确度为0.900，即90％：
图片标题
在这个例子中，我们创建了一个包含两个步骤的管道，即minmax scaling和LogisticRegression。当我们在pipe_lr上执行fit方法时，MinMaxScaler对输入数据执行了拟合和变换方法，并将其传递给估计器，估计器是逻辑回归模型。管道中的这些中间步骤称为变换器，最后一步是估计器。