“拆分数据”和“特征缩放”的顺序

[zhyongquan]

刚看到有人提出这个问题：特征缩放要放在拆分数据之前。我觉得挺有道理，这样才能保证拆分后的训练集合和测试集合一致。

[oraoto]

拆分数据是要在特征缩放前的，不需要保证训练集和测试集一致，只能假设测试数据集（或者模型部署后的生产数据）是近似的，然后做和训练数据同样的处理（例如减去训练集的均值）。

如果在拆分数据前就进行了特征缩放，测试集的特征就会被参杂到训练数据里了。

[wengJJ]

之前回答过英文版的问题，还是保持原来的观点-先拆分数据再特征缩放。
常用的特征缩放：归一化（Normalization）与标准化（Standardization）
归一化Normalization=(x-min)/(max-min)涉及样本的极大极小值，
标准化Standardization=(x-μ)/(σ)涉及样本的均值μ与标准差σ
先进行总体特征缩放，例如归一化的极大值max存在于测试集，这就会让测试集的数据影响到训练集的数据，而我们划分训练集测试集的原则就是彼此不受干扰，保证得出模型的效果准确性。
所以，个人观点还是得先拆分数据再特征缩放

[zhyongquan]

我的理解，如果数据量足够大，先后都无所谓，但当数据不够多时，影响会变大。

[Huang-Jack]

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

请教一个问题，为什么特征缩放时，对训练集用的是fit_transform,而对测试集用的是transform.
我尝试对测试集也用fit_transform结果发现数据会错误

[zhyongquan]

哪个文件？

[Huang-Jack]

day6 @zhyongquan

[zhyongquan]

@Huang-Jack 原作者repo有人提过这个问题，都改成fit_transform，刚我试了下，没什么问题，你报什么错误？

[Huang-Jack]

我试了都改成 fit_transform不会报错了，但是我不知道他们的区别是什么

[zhyongquan]

摘自此文章的评论https://blog.csdn.net/appleyuchi/article/details/73503282
我觉得讲的比正文更清楚
每一个transform都需要先fit,比如把数据转为（0，1）分布，需要均值和标准差，fit_transform和transform的区别就是前者是先计算均值和标准差再转换，而直接transform则是用之前数据计算的参数转换。所以如果之前没有fit，是不能直接transform的。
在此例子中，前文已经用过一个fit_transform了，后面用fit_transform或transform都可以，因为已经fit过了。作者的用意是不是要用训练集合的fit参数，去transform测试集和？以此达到两者相同的变化。

[zhyongquan]

@wengJJ
本issue讨论的顺序问题，作者在transform时考虑了？

[Huang-Jack]

尝试了对测试集如果用fit_transform会造成F1 score低于对测试集用transform的情况，可能是对测试集做了新的fit就无法反映整体数据集的特征了 @zhyongquan
X_test = sc.transform(X_test)
precision recall f1-score support

      0       0.89      0.96      0.92        68
      1       0.89      0.75      0.81        32

avg / total 0.89 0.89 0.89 100

X_test = sc.fit_transform(X_test)
precision recall f1-score support

      0       0.90      0.93      0.91        68
      1       0.83      0.78      0.81        32

avg / total 0.88 0.88 0.88 100

[zhyongquan]

所以train和test的transform，要使用同样的fit参数

[wengJJ]

进行特征缩放时我们的顺序是
1先fit获得相应的参数值（可以理解为获得特征缩放规则） 2再用transform进行转换
fit_transform方法就是先执行fit()方法再执行transform()方法，所以每执行一次就会采用新的特征缩放规则

@Huang-Jack 你提出的说测试集使用fit_transform效果变差是肯定的，因为你使用的是测试集的新的规则来进行转换。如果你使用的是transform，则会使用训练集的规则进行转换，效果会更好。
@zhyongquan 顺序问题还是不会冲突 作者是用训练集的特征缩放规则来应用到测试集的，所以还是先得先拆分数据集 再进行特征缩放

[zhyongquan]

是的，这个issue算讨论明白了。