我确实理解规范化和缩放训练/测试数据的概念；它确实有助于成本函数的收敛。它是许多机器学习算法的好帮手。
我能想到的唯一标准化只是数据的线性变换（例如，只需将值从 [40, 70] 范围映射到 [-1, 1]）。我需要一种不依赖于全部数据的标准化技术。
谢谢！
您需要以与对训练数据进行归一化相同的方式对输入进行归一化 - 但是，在预测新数据期间您不需要访问此训练数据。如果您使用了MinMaxScaler例如，那么您可以重新使用它来转换您的新数据点：
scaler = MinMaxScaler()
X_normalised = scaler.fit_transform(X)
# do other stuff here like train & validate your model
# now we have a new test data point from somewhere, we scale
# it using the scaler we fitted on the training data
new_test_point_normalised = scaler.transform(new_test_point)
# now we can classify it with our model!
您可以将缩放器序列化到磁盘，pickle并在必要时在预测新数据点时重新加载它（即模型训练和测试发生在两个不同的脚本中）。