Summary  
This chapter introduces the concept of a Pipeline for chaining transformers and an estimator into a single workflow, allowing you to call fit_transform once on training data and then consistently apply transform to new instances.  

General domain of usage  
Machine learning data preprocessing

I föregående avsnitt genomfördes tre förbehandlingssteg: imputering, kodning och skalning.


Förbehandlingsstegen tillämpades **ett i taget**, där specifika kolumner transformerades och slogs samman tillbaka till `X`-arrayen. Detta tillvägagångssätt kan vara omständligt, särskilt med `OneHotEncoder`, som förändrar antalet kolumner.

En annan nackdel är att all ny data som används för prediktion måste genomgå samma sekvens av transformationer, vilket kräver att hela processen upprepas.

`Pipeline`-klassen i Scikit-learn förenklar detta genom att kombinera alla transformationer i ett enda arbetsflöde, vilket gör det enklare att tillämpa förbehandling konsekvent på både träningsdata och nya instanser.


En `Pipeline` fungerar som en behållare för en sekvens av transformatorer och slutligen en estimator. När du anropar metoden `.fit_transform()` på en `Pipeline` tillämpar den **sekventiellt** metoden `.fit_transform()` för varje transformator på data.

```python
# Create a pipeline with three steps: imputation, one-hot encoding, and scaling
pipeline = Pipeline([
    ('imputer', SimpleImputer(strategy='most_frequent')),  # Step 1: Impute missing values
    ('encoder', OneHotEncoder()),                         # Step 2: Convert categorical data
    ('scaler', StandardScaler())                          # Step 3: Scale the data
])

# Fit and transform the data using the pipeline
X_transformed = pipeline.fit_transform(X)
```

Detta strömlinjeformade tillvägagångssätt innebär att du endast behöver anropa `.fit_transform()` **en gång på träningsuppsättningen** och därefter använda metoden `.transform()` för att bearbeta nya instanser.

Vad är den främsta fördelen med att använda en `Pipeline` i scikit-learn för datapreprocessering och modellträning?

Maskininlärning används nu överallt. Vill du lära dig det själv? Denna kurs är en introduktion till maskininlärningens värld där du får lära dig grundläggande begrepp, arbeta med scikit-learn – det mest populära biblioteket för ML, och bygga ditt första maskininlärningsprojekt.
Kursen är avsedd för studenter med grundläggande kunskaper i Python, Pandas och Numpy.

Lär dig maskininlärningskoncept och arbetsflödet för ML-projekt.

Förbehandling är troligen det viktigaste steget i ett ML-projekt. Detta kapitel behandlar de förbehandlingssteg som krävs för nästan alla datamängder.

En pipeline är ett smidigt sätt att kombinera alla förbehandlingssteg samt en modell. Pipelines gör det mycket enklare att träna och använda en modell.

Modellering är det mest underhållande steget i ett ML-projekt. Lär dig att bygga, finjustera och utvärdera modellen!

Vad är en pipeline