Pipeline:一个管道将模型搭建的过程放在一起，如数据预处理和模型建立放在一起，方便参数的同时调整
转载自：http://blog.csdn.net/yisuoyanyv/article/details/74066962; http://blog.csdn.net/SA14023053/article/details/52079542
1.将要处理的步骤利用pipline进行组合
from sklearn.pipline import pipline
from sklearn.decomposition import PCA
from sklearn.svm import SVC
estimators=[('reduce_dim',PCA()),('clf',SVC())]
pipe=Pipeline(estimators)#摆放在同一个管道中，注意前后顺序
pipe.steps[0]#将显示步骤中的PCA相关信息，同理1将显示SVC中的相关信息;以list的形式；；；steps属性里以列表形式存着管道中的估计器
pipe.named_steps['reduce_dim']#在named_steps属性中以dict形式存着步骤，返回的为值
2.设置相关的参数
pipe.set_params(clf__C=10)#以这种形式给指定名字的估计器（clf）的参数（C)赋值 <estimator>__<parameter>
3.进行网格搜索#http://blog.csdn.net/cherdw/article/details/54970366
from sklearn.model_selection import GridSearchCV
params=dict(reduce_dim__n_components=[2,5,10],#设置reduce_dim的n_components参数为多个值以供选取模型最优值 clf__C=[0.1,10,100])
#在模型选择过程中可以设置参数列表
grid_search=GridSearchCV(pipe,param_grid=params)
grid_search.fit(x,y)
grid_search.score#不清楚这是如何计算的score，为模型中的score参数
总结：
安装到一个管道中，方便进行整体的gridsearchcv
Polynomial:#转载自：http://blog.csdn.net/lulei1217/article/details/49582821;http://blog.csdn.net/xw_classmate/article/details/51171090
用于产生多项式,[a,b],,degree=2,产生的顺序为[1, a, b, a^2, ab, b^2].
from sklearn.preprocessing import PolynominalFeatures
poly=PolynominalFeatures(degree=2,intersection_only=False,include_bais=False)
主要的参数：
degree:多项式的最高次幂；
intersection_only:是否只有交互影响
include_bais:是否包含常数项
poly.fit_transform(x)#将输出多项式的具体数值