使用标准缩放器时，为什么我的模型预测会在缩放数据和未缩放数据之间发生变化？答案

【问题标题】：Why does the prediction of my model change between scaled and unscaled data when using standard scaler?使用标准缩放器时，为什么我的模型预测会在缩放数据和未缩放数据之间发生变化？
【发布时间】：2021-05-24 02:57:03
【问题描述】：

当我尝试使用标准缩放器缩放数据时，模型给出了错误的预测：

from sklearn.preprocessing import StandardScaler 
st=StandardScaler()
x_train=st.fit_transform(x_train)
x_test=st.transform(x_test)

arry = [51,1,0,140,261,0,186,1,0,2,0,2]
tes = np.asarray(arry)
se = tes.reshape(1,-1)
svc_load.predict(se)

输出：数组（[0]，dtype=int64）

但输入相同但没有缩放数据：

    arry = [51,1,0,140,261,0,186,1,0,2,0,2]
    tes = np.asarray(arry)
    se = tes.reshape(1,-1)
    svc_load.predict(se)

输出：数组（[1]，dtype=int64）哪个是对的。我是机器学习的新手。谁能帮我解决这个问题？

我正在使用 GaussianNB 分类器。

【问题讨论】：

模型是如何训练的？在哪里扩展功能？两者的predict_proba(se) 是什么。事实上，你无法知道真正的答案是否是纯粹的幸运猜测。

标签： python

【解决方案1】：

规则：如果您使用缩放数据训练模型，请使用缩放数据进行测试。如果不是，请使用原始数据进行测试。使用pipeline 的fit 和predict 让这更容易。

顺便说一下，您使用的高斯朴素贝叶斯模型不需要归一化，因为特征只是相互比较。

【讨论】：