虽然对数据进行规范化是说我们只需要适应 x_train 而不是 x_test ？为什么我们不应该适合 x_test ？
如果我们不应该在 x_test 上安装缩放器，那么为什么我们需要在 x_test 上单独应用转换？
from sklearn.preprocessing import MinMaxScaler
Scaler=MinMaxScaler()
Scaler.fit(X_train)
x_train=Scaler.transform(x_train)
x_test=Scaler.transform(x_test)
如果您适合使用缩放器，x_test那么您将使用来自测试集的信息并且会泄漏数据。如果您的模型在生产中，您将不会拥有这些信息，因此在拟合您的模型时无法使用。
除了Oxbowerce发表的评论之外，您还可以进行如下推理：在实际情况下，您希望 X_train 数据的分布类似于 X_test 数据，因此将 MinMaxScaler 转换器应用于拟合的 X_test 数据“仅“在 X_train 上意味着（或应该意味着）与使用 X_test 拟合它相比没有实际差异；毕竟，这个缩放器所做的是找到这种分布的最小值和最大值，并用这些值重新缩放。
不过，如果您使用所有可用的新数据获得越来越多的数据，您可以不时在生产场景中改装您的变压器......
scikit-learn MinMaxScaler 的工作方式是：
工作示例：
假设我们有一个具有以下值的特征：
[285, 543, 511, 359, 338, 678, 519, 760, 792, 395, 320, 952, 653, 129, 306, 91, 284, 359, 595, 167, 112, 802, 740, 977, 753, 74, 908, 353, 168, 622, 613, 602, 786, 396, 957, 600, 457, 74, 825, 547, 983, 825, 978, 823, 503, 782, 41, 574, 42, 851, 532, 225, 71, 827, 215, 25, 857, 682, 93, 218, 526, 776, 425, 688, 557, 61, 218, 984, 339, 92, 623, 762, 147, 634, 159, 24, 634, 365, 772, 283, 954, 805, 736, 678, 445, 677, 175, 484, 508, 341, 719, 599, 118, 401, 405, 349, 268, 133, 902, 804]
我们需要的是通过应用最小最大缩放定义来重新缩放每个值：
rescaled_X_value = (X_value - feature_values_min) / (feature_values_max - feature_values_min)
关键是，我们的最小值和最大值是多少？这就是 scikit-learn MinMaxScaler 对您的火车数据进行的“拟合”操作；关键是，一旦你在火车数据上使用这个“拟合”操作来找到最小值和最大值，你不必在测试数据上重复它，你只需要应用“变换”操作来重新调整测试数据。让我们看看它是如何工作的：
如果我们手动应用它：
min_max_scaled_train_data = (train_feature_data - train_feature_data.min())/(train_feature_data.max()-train_feature_data.min())
min_max_scaled_train_data[:10]
前 10 个元素的结果是：
array([0.27111575, 0.54014599, 0.50677789, 0.34827946, 0.32638165,
0.68091762, 0.51511992, 0.76642336, 0.79979145, 0.38581856])
使用 scikit 学习定标器：
from sklearn.preprocessing import MinMaxScaler
min_max_scaler = MinMaxScaler()
min_max_scaler.fit(train_feature_data.reshape(-1, 1))
min_max_scaler 已经拥有要应用于您的新数据（假设您的测试数据）的信息（即最小值和最大值），而无需再次拟合。我们还可以看到，结果和上面手动做的一样：
min_max_scaler.transform(train_feature_data.reshape(-1, 1))[:10]
array([[0.27111575],
[0.54014599],
[0.50677789],
[0.34827946],
[0.32638165],
[0.68091762],
[0.51511992],
[0.76642336],
[0.79979145],
[0.38581856]])
作为附加检查，您可以看到在找到最小值和最大值时 train_data 与所有数据（即训练 + 测试）之间的差异并不大，因为两者来自相同的分布。您可以在此处找到示例完整代码