我参加了一个udemy课程，该课程为仅规范化列车数据（从测试数据中分离后）提供了强有力的理由，因为模型通常由新数据使用，具有原始数据集的比例特征。如果你缩放了测试数据，那么你就没有正确地给模型打分。
另一方面，我发现我的两类logistic回归模型（用azure机器学习工作室创建）在z-score只缩放火车数据后得到了糟糕的结果。
答。这仅仅是azure工具的问题吗？b。当需要缩放特征数据时（一个、两个或三个数量级的差异），什么是好的经验法则？
我参加了一个udemy课程，该课程为仅规范化列车数据（从测试数据中分离后）提供了强有力的理由，因为模型通常由新数据使用，具有原始数据集的比例特征。如果你缩放了测试数据，那么你就没有正确地给模型打分。
另一方面，我发现我的两类logistic回归模型（用azure机器学习工作室创建）在z-score只缩放火车数据后得到了糟糕的结果。
答。这仅仅是azure工具的问题吗？b。当需要缩放特征数据时（一个、两个或三个数量级的差异），什么是好的经验法则？
1条答案
按热度按时间qncylg1j1#
由于标准化测试集而没有正确地对模型进行评分似乎是没有意义的：您可能还将标准化用于未来预测的数据。
我在datascience stackexchange中发现了一个类似的问题，上面的答案表明，不仅测试数据必须标准化，还需要应用与训练数据完全相同的缩放比例，因为您的模型还考虑了数据的比例：不同比例的测试/预测数据可能会导致特征的过度/过度夸张。