如果我使用make_pipeline，我是否还需要使用fit和transform函数来拟合我的模型和转换数据，还是它会自动执行这些功能？
另外，StandardScaler是否也执行归一化，还是仅执行缩放？
解释代码：我想应用PCA，然后使用SVM进行归一化处理。

pca = PCA(n_components=4).fit(X) X = pca.transform(X)# training a linear SVM classifier 5-foldfrom sklearn.svm import SVCfrom sklearn.model_selection import cross_val_scoreclf = make_pipeline(preprocessing.StandardScaler(), SVC(kernel = 'linear'))   scores = cross_val_score(clf, X, y, cv=5)

我还有些困惑，如果我在下面的代码中不使用fit函数，会发生什么情况：

from sklearn.svm import SVCfrom sklearn.model_selection import cross_val_scoreclf = SVC(kernel = 'linear', C = 1)scores = cross_val_score(clf, X, y, cv=5)

回答：

StandardScaler既执行归一化也执行缩放。

cross_val_score()会为你拟合（转换）数据集，因此你不需要显式调用它。

更常见的方法是将所有步骤（StandardScaler, PCA, SVC）放在一个pipeline中，并使用GridSearchCV来调整超参数和选择最佳参数（估计器）。

示例：

pipe = Pipeline([        ('scale', StandardScaler()),        ('reduce_dims', PCA(n_components=4)),        ('clf', SVC(kernel = 'linear', C = 1))])param_grid = dict(reduce_dims__n_components=[4,6,8],                  clf__C=np.logspace(-4, 1, 6),                  clf__kernel=['rbf','linear'])grid = GridSearchCV(pipe, param_grid=param_grid, cv=3, n_jobs=1, verbose=2)grid.fit(X_train, y_train)print(grid.score(X_test, y_test))