我们知道数据预处理（例如标准化、规范化等）的最佳实践是，在我们fit_trasform()对训练数据执行的同时，我们应用transform()测试数据，以便将通过缩放训练数据获得的学习参数应用于测试数据. 与此类似：
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform (X_test)
fit_transform()问题是：在训练数据上执行但根本不测试数据是否也有意义，transform()以便我们可以在根本没有转换的实际真实数据上测试模型性能？
谢谢
不，这样做没有意义。
您的模型已经学会了如何将一个输入空间映射到另一个输入空间，也就是说它本身就是函数逼近，并且可能不知道如何处理看不见的数据。
通过不对测试数据执行相同的缩放，您将在模型中引入系统误差。nanoman 在评论中指出了这一点 - 请参阅该评论以获得简单的转换示例。
夸大其词，假设您有一个语言模型，将文本从英语翻译成法语。您对英语数据应用单一转换：首先将其翻译成西班牙语。现在，该模型经过训练，可以将西班牙语翻译成法语，并且具有一定的准确性。现在您继续使用测试数据 - 仍然是英语 - 您不会像对训练数据应用相同的转换。您要求模型直接从英语翻译成法语，而不是从西班牙语翻译成法语，显然结果不会很好。
原则上，这个想法与任何其他模型和转换相同，只是影响可能并不总是那么明显，即您可能真的很幸运并且没有注意到很大的影响。
语言模型可能已经学习了所有三种语言共有的一些基本语言学（例如重叠词汇或句子结构），但我们不能指望模型表现良好，将英语翻译成法语。
您应该只计算训练数据的转换统计数据（例如，标准化的均值和方差），然后使用这些值来转换训练数据本身，然后使用相同的值来转换测试数据。
在转换计算中包含测试数据集将允许信息从测试数据流向训练数据，从而流向从中学习的模型，从而允许模型作弊（引入偏差）。
此外，重要的是不要将转换与增强混淆。一些“转换”可能用于综合创建更多训练数据，但不必在测试时使用。例如，在计算机视觉中，删除图像的区域。测试时间增加是您可以阅读的内容。
更复杂的模型（具有更多参数的模型）可能能够执行某种插值，特别是如果您的数据集的 N 维具有较大的 N（例如 > 10）。
最近在超大型模型中看到了这一点，例如Open AI 的 GPT-3，它有1750 亿个参数，因此甚至能够在完全不同的任务上表现得相当好，更不用说训练集范围内的给定问题了。
这个问题只有一个答案，不可以，不能接受。无论您对训练数据应用什么转换（PCA、缩放、编码等），都必须对测试数据应用。