第三章 使用Pipeline和GridSearchCV来进行特征参数的筛选

当需要处理的数据的参数比较多的时候，而且要处理的流程比较复杂的时候，可以使用Pipeline和GridSearchCV组合起来进行参数的筛选。

假如要填充数据使用的是Imputer，它的策略参数可以为mean和median

当进行缩放的时候使用StandardScaler

使用KNN算法进行建模， 它的n_neighbors参数可以选择1到7

下面就是使用Pipeline和GridSearchCV进行组合来筛查那些参数组合比较好

knn_params = {'imputer__strategy':['mean', 'median'], 'classify__n_neighbors':[1, 2, 3, 4, 5, 6, 7]}

knn = KNeighborsClassifier()  

mean_impute_standardize = Pipeline([('imputer', Imputer()), ('standardize', StandardScaler()), ('classify', knn)])X = pima.drop('onset_diabetes', axis=1) #数据集X，可以自己构造y = pima['onset_diabetes'] #数据集的标签grid = GridSearchCV(mean_impute_standardize, knn_params)grid.fit(X, y)print (grid.best_score_, grid.best_params_)