您应该使用您的训练数据拟合函数（拟合函数是指从数据中学习的缩放函数）只是因为您的测试数据集大小和特征值可能与您的训练不同，这将导致比例不同于用于您的训练数据的规模。假设您想用 1 行推断您的模型，如果您尝试在 minmaxscaler 上安装 1 行，这将是一个问题。

示例：假设您的特定功能的训练数据的最大值为100，最小值为0，您将其缩放到[0,1] => 100 将是 1，0 将保持不变。70 将是 0.7 ， 60 = 0.6 等等。您继续到测试集并对其应用缩放，但碰巧测试集中相同特征的最大值为70（不幸的是，100 恰好只存在于训练集中）。如果您使用测试集进行扩展，您在测试集中的70将是1。你喂1 ( 70 ) 到您的模型，该模型受过训练以将1 视为 100因此错误。

您应该始终使用用于训练数据的参数/技术对测试数据进行标准化。

来自sklearn 链接的示例，

在这里，数据上的 scaler.fit() 学习参数并使用变换对数据进行规范化。相同的参数用于转换数据 [2, 2]（测试数据）。这里的测试数据大小无关紧要，因为学习参数（来自训练数据）用于转换每个测试样本。

>>> from sklearn.preprocessing import MinMaxScaler
>>> data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
>>> scaler = MinMaxScaler()
>>> print(scaler.fit(data))
MinMaxScaler(copy=True, feature_range=(0, 1))
>>> print(scaler.data_max_)
[ 1. 18.]
>>> print(scaler.transform(data))
[[0.   0.  ]
 [0.25 0.25]
 [0.5  0.5 ]
 [1.   1.  ]]
>>> print(scaler.transform([[2, 2]]))
[[1.5 0. ]]