sklearn中的pipeline的創建與訪問
前期博文提到管道（pipeline）在機器學習實踐中的重要性以及必要性，本文則遞進一步，探討實際操作中管道的創建與訪問。
已經了解到，管道本質上是一定數量的估計器連接而成的數據處理流，所以成功創建管道的唯一要求就是：管道中所有估計器必須具有fit()和transform()方法，但管道中最後一個估計器只需具有fit()方法足矣；
這個約束條件的目的是保證，管道中後一個估計器能夠接受前一個估計器的transform輸出。
pipeline創建
創建管道一般有兩種途徑：
如上圖，利用Pipeline創建兩個估計器構成的管道，並且指明每個步驟的名稱；利用pipe_long.steps()方法可以得到管道的每個估計器的細節資訊。
對比這兩個創建方法，可以發現不指定處理步驟名稱時，系統會自動給估計器命名（見圖中圓圈部分）。
訪問pipeline中估計器資訊
如下圖所示，圓圈部分利用管道的named_steps屬性和特定估計器的名稱指定訪問目標，而後訪問目標的components_資訊。
下面是一個較為完整的實例：
第一步，先創建由數據標準化函數和邏輯回歸分類器構成的管道，並在網格搜索的框架下進行訓練數據的擬合：
第二步：類似地，利用管道的named_steps屬性指定邏輯回歸估計器的步驟名稱，得到估計器的大體資訊和係數屬性。
