更新
：理想情况下，不应使用以下答案，因为它会导致数据泄漏，如注释中所述。在此答案中，
GridSearchCV将对已经由预处理的数据上的超参数进行调整
StandardScaler，这是不正确的。在大多数情况下，这无关紧要，但是对缩放过于敏感的算法将给出错误的结果。
本质上，GridSearchCV还是一个估计器，实现管道使用的fit（）和predict（）方法。
所以代替：
grid = GridSearchCV(make_pipeline(StandardScaler(), LogisticRegression()), param_grid={'logisticregression__C': [0.1, 10.]}, cv=2, refit=False)做这个：
clf = make_pipeline(StandardScaler(), GridSearchCV(LogisticRegression(),param_grid={'logisticregression__C': [0.1, 10.]},cv=2,refit=True))clf.fit()clf.predict()它将要做的是，仅一次调用StandardScalar（），一次调用，
clf.fit()而不是您所描述的多次调用。
编辑：
True当在管道内使用GridSearchCV时，将refit更改为。如文档中所述：
refit：boolean，default = True用整个数据集重新拟合最佳估计量。如果为“
False”，则拟合后将无法使用此GridSearchCV实例进行预测。
如果refit =
False，
clf.fit()将不起作用，因为管道内部的GridSearchCV对象将在之后重新初始化
fit()。到时
refit=True，将对GridSearchCV重新拟合传入的整个数据的最佳评分参数组合
fit()。
因此，如果要建立管道，仅查看网格搜索的分数，则只有
refit=False合适。如果要调用该
clf.predict()方法，则
refit=True必须使用，否则将引发“未拟合”错误。
