Machine learning 分类时，在对真实数据进行预测时，是否需要规范化新引入的特征？

有两个数据集-一个是训练数据集一个是特征数据集，其标签尚待预测（新数据集）

我构建了一个随机森林分类器。一路上我必须做两件事：

• 规范化连续数字特征
• 对分类编码执行一个热编码

---

现在我有两个问题。当我预测新数据的标签时：

我需要规范化传入的功能吗？（常识告诉我是：））如果是，我应该从训练数据集中获取特定特征的平均值、最大值、最小值，还是应该以某种方式考虑特征的新值

如何对特性的新值进行热编码？我是否考虑到功能的可能新值，扩展特定类别的可能类别词典

---

在我的例子中，我拥有两个数据集，因此我可以提前计算所有这些数据，但是如果我只有一个分类器和一个新的数据集呢？

我只知道分类器的类型和您正在使用的规范化技术的基本知识，但我认为一般规则也适用于您正在做的事情，就是要做到以下几点

您的分类器不是随机林分类器。这只是作为实际分类器的管道的一个步骤。此管道/实际分类器就是您所描述的：

规范化连续数字特征

对分类编码执行一个热编码

使用一个随机林分类器来识别前两步的结果

这个管道包含3个方面，实际上就是您使用的分类器

现在，分类器是如何工作的

您可以根据训练数据构建一些状态

您可以使用该状态对测试数据进行预测

因此：

我需要规范化传入的功能吗？（常识告诉我是：））如果是，我应该从训练数据集中获取特定特征的平均值、最大值、最小值，还是应该以某种方式考虑特征的新值

您的分类器将规范化训练数据的传入特征，因此它也将规范化那些不可见实例的特征。要做到这一点，它必须使用它在训练期间建立的状态

例如，如果您正在对功能进行最小-最大缩放，您的州将为每个功能

f

存储

min（f）

和

max（f）

。然后，在测试/预测期间，您将使用存储的

min（f）

和

max（f）

值对每个特征

f

进行最小-最大缩放

我不知道你所说的“规范化连续数字特征”是什么意思。你是说？如果您在培训期间为这种离散化建立了某种状态，那么您需要找到一种方法将其考虑在内

如何对特性的新值进行热编码？我是否考虑到功能的可能新值，扩展特定类别的可能类别词典

难道你不知道每个类别可以预先有多少个值吗？通常你会这样做（因为分类是指国籍、大陆等——你事先知道的事情）。如果你能得到一个你在训练中没有看到的分类特性的值，那么你是否应该关心它就成了一个问题。你从未训练过的分类价值有什么好处

可能会添加一个“未知”类别。我认为为一个单一的扩展应该是好的，如果你从来没有训练过他们，还有什么好处呢

你有什么分类

---

我可能错了，但你真的需要一个热编码吗？好吧，基于树的分类器似乎并没有从中受益太多。

感谢您如此明确的回复，我仍然需要一些时间来正确处理：）关于随机林/一个热门编码。你是对的，它不应该这样，但我使用的是sklearn.employ.RandomForestClassifier分类器，出于某些愚蠢的原因，它们使分类器无法读取分类字符串值-它们都需要转换为标签（0,1,2,3..等等）所以我决定，如果我能将这些值转换成标签，我可以训练自己做一些o-h-e的事情：）@Dennis如果你有更多的问题，请随意发表评论，我会尽力回答。Scikit学习仅适用于数值数据。我会先尝试将分类转换为数字标签。找到一个始终如一做得不错的工作，然后你就有了一个改进的基准。很好的答案。谢谢