如何解决分别对训练集和测试集进行特征缩放还是使用相同的缩放器？
我对 sklearn.preprocessing.StandardScaler（以及 sklearn.preprocessing.scale）的使用有些困惑。许多突出的例子对训练集和测试集应用了单独的缩放器：
X_train_scaled = scale(X_train)
X_test_scaled = scale(X_test)
虽然其他人对两组应用相同的缩放器：
scaler = StandardScaler()
scaler.fit(X=train_x)
train_x = scaler.transform(train_x)
test_x = scaler.transform(test_x)
实际上，在这种情况下，您不能先缩放完整集，然后再将其拆分吗？还是让分类器提前看到测试数据？
对我来说，直觉上，第二个版本是有道理的，否则它将是测试集的不同缩放器，并且会对后续步骤产生影响。
谁能确认哪种方法是正确的，并解释原因？
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
