對于許多機器學習算法，特定數據表示非常重要。首先對數據進行縮放，然后手動合并特征，再利用無監督機器學習來學習特征。因此，大多數機器學習應用不僅需要應用單個算法，而且還需要將許多不同的處理步驟和機器學習模型鏈接在一起。Pipeline類可以用來簡化構建變換和模型鏈的過程。將Pipeline和GridSearchCV結合起來，可以同時搜索所有處理步驟中的參數。

舉例：使用MinMaxScaler對cancer數據集進行預處理，提高核SVM在cancer數據集上的性能，實現劃分數據、計算最小值和最大值、縮放數據與訓練SVM：

from sklearn.svm import SVC 
from sklearn.datasets import load_breast_cancer 
from sklearn.model_selection import train_test_split 
from sklearn.preprocessing import MinMaxScaler 
# 加載并劃分數據 
cancer = load_breast_cancer() 
X_train, X_test, y_train, y_test = train_test_split( cancer.data,