前面提到，應用sklearn中的pipeline機制的高效性；本文重點討論pipeline與網格搜尋在機器學習實踐中的結合運用：
結合管道和網格搜尋以調整預處理步驟以及模型引數
一般地，sklearn中經常用到網格搜尋尋找應用模型的超引數；實際上，在訓練資料被送入模型之前，對資料的預處理中也會有超引數的介入，比如給資料集新增多項式特徵時所指定的指數大小；
而且，一般都是將資料預處理完成後再傳入估計器進行擬合，此時利用網格搜尋只會單獨調整估計器的超引數；如若利用pipeline結合預處理步驟和模型估計器則可以同時尋找最佳的超引數配對。
例項如下：
上圖中，利用管道結合了3個處理步驟，並使用網格搜尋機制針對其中兩個步驟的超引數進行調優，一個是預處理階段的PolynomialFeatures，另一個是模型Ridge
結合管道和網格搜尋以選定模型
一般地，選用不同的模型會涉及到不同的預處理步驟，如採用隨機森林進行分類訓練時可以不對資料作預處理操作，而應用支援向量機時則需要對資料進行標準化；
下圖中，利用管道結合預處理中的標準化步驟和分類模型，當模型採用隨機森林時，預處理步驟置空，並利用網格搜尋尋找隨機森林的超引數；當模型採用支援向量機時，啟用預處理步驟，並利用網格搜尋尋找支援向量機的超引數。
通過此種結合應用，選定最適合的分類模型。
