问题：数据标准化，应该在训练集和测试集划分前还是后？
答：数据标准化，应该在训练集和测试集划分后，分别对训练集和测试集进行数据标准化处理。不应该是数据标准化后，再进行划分。虽然从模型测试的结果看，可能出现的差距不大。
解释：当你手头已经有一份训练和测试数据。在真正的部署过程中，测试数据实际上就是那些源源不断刚刚出现的数据，你不知道它什么分布，也不知道它出现什么样的数值。所以你要用训练数据得到的均值和标准偏差，去转换它。这更加贴近部署的实际。测试集的归一化的均值和标准偏差应该来源于训练集
代码：
from sklearn import preprocessing
Standard = preprocessing.StandardScaler()
x_train = Standard.fit_transform(x_train)
x_test = Standard.transform(x_test)
注意事项：
1.必须现在train上使用fit_transform，再在test数据集上使用transform
2. x_train = preprocessing.StandardScaler().fit_transform(x_train)
x_test = preprocessing.StandardScaler().transform(x_test)
会报错：文章来源：https://www.toymoban.com/news/detail-404067.html
This StandardScaler instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator.
解决办法：需要Standard = preprocessing.StandardScaler()，定义一个对象后，再进行标准化处理。文章来源地址https://www.toymoban.com/news/detail-404067.html
到了这里，关于训练集和测试集的标准化中的坑！！！的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
