python - 我们是否需要两个单独的 StandardScaler 来处理功能和目标？

Question

所以我所理解的是 StandardScaler().fit_transform(X, y) 不会更改目标特征 (y)。同时，对于某些算法(例如基于权重或基于距离的算法)我们还需要对目标特征进行缩放。

我的问题是，我们是否必须实现两个 StandardScaler，一个用于功能，另一个用于目标功能？我想我们也可以在将训练数据集拆分为 X 和 y 之前使用它，但想知道我们如何在部署时使用它，因为我们没有 >y.

# --- creating pipelines
transformer_x = make_pipeline(
    SimpleImputer(strategy='constant'), 
    StandardScaler())

transformer_y = make_pipeline(
    SimpleImputer(strategy='constant'), 
    StandardScaler())

# --- development
model.fit(transformer_x.fit_transform(X_train), transformer_y.fit_transform(y_train))

# --- 
# sometime later in deployment
saved_model.predict(transformer_x.transform(new_data))

另外一个问题是，是否存在我们可能不需要对基于权重/距离的算法进行标准化的情况？

谢谢!

Answer 1

• 我们是否必须实现两个 StandardScaler，一个用于功能，另一个用于目标功能？

一般来说，没有必要缩放目标特征。唯一可能有益的情况是在某些神经网络的情况下。检查这个link了解更多相关信息。

• 还有一个附带问题，是否存在我们可能不需要对基于重量/距离的算法进行标准化的情况？

一般而言，标准化总是有利于您的培训阶段。如果您需要对参数进行某种类型的解释，也许您应该避免使用它。再次，我在这里提供了一个有趣的link .