由于PyCaret会替你处理底层代码，所以你不可能得到底层代码，但是你作为用户可以决定你希望你的流程执行的步骤，例如：

# Setup experiment with user-defined options for preprocessing, etc.
setup(...) 

# Create a model (uses training split only)
model = create_model("lr")

# Tune hyperparameters (user can pass a custom tuning grid if needed)
# Again, uses training split only
tuned = tune_model(model, ...)

# Finalize model (so that the best hyperparameters are retrained on the entire dataset
finalize_model(tuned)

# Any other steps you would like to do.
...

最后，您可以将整个管道保存为pkl文件以供以后使用

# Saves the model + pipeline as a pkl file
save_model(final, "my_best_model")

你可能会得到部分答案：incomplete with '获取配置（“准备管道”）' in 2.6.10 or in 3.0.0rc1
只需像示例中那样运行一个设置，存储为cdf1，然后尝试cdf.pipeline，您可能会得到如下文本：Pipeline(..)

使用pycaret=3.0.0rc4时，您有两个选项。
备选办法1：

get_config("pipeline")

备选方案二：

lb = get_leaderboard()
lb.iloc[0]['Model']

选项1将为您提供对数据所做的转换，而选项2将为您提供相同的转换以及模型及其参数。
下面是一些示例代码（来自笔记本，基于他们在 * 二进制分类教程（CLF101）-Level Beginner * 上的文档）：

from pycaret.datasets import get_data
from pycaret.classification import *

dataset = get_data('credit')

data = dataset.sample(frac=0.95, random_state=786).reset_index(drop=True)
data_unseen = dataset.drop(data.index).reset_index(drop=True)

exp_clf101 = setup(data = data, target = 'default', session_id=123) 

best = compare_models()

evaluate_model(best)

# OPTION 1
get_config("pipeline")

# OPTION 2
lb = get_leaderboard()
lb.iloc[0]['Model']