我想使用scikit-learn GridSearchCV来学习由PCA和KernelDensity组成的管道的参数值，这应该提供可能的表达功能来对新样本进行评分或分类。
使用分类器或回归器扩展此类管道似乎是扩展评估的合理步骤，但是，由于KernelDensity不提供transform方法，因此会发生TypeError。仅使用PCA和KernelDensity在管道上进行网格搜索，然后使用带有选定标签grid.fit(X_train)的数据子集进行计算。
有没有一种构建扩展管道的方法，该方法首先将PCA应用于降低输入向量的维数，然后将KernelDensity拟合到数据上（可能仅具有特定标签的子集），然后在最后一步中使用分类器在GridSearchCV grid.search(X_train,y_train)中测量性能还是用另一种方法获得最佳PCA和KernelDensity参数，以支持基于内核密度估计值的分类？