Python 单样本预处理的精度

我一直在用KNN的sklearn实现来预测样本

到目前为止，我一直在用数据集的一个样本来训练分类器，然后用另一个不同的数据集样本进行测试，结果显示其准确率约为98%

然而，当试图预测单个样本时，预测到处都是，即使使用模型已经训练过的样本。我唯一的猜测是，使用preprocessing.scale预处理整个数据集与使用相同技术预处理单个样本相比，会出现问题

我读过，想知道是否有一种正确的方法来预处理单个样本

编辑：预处理代码如下所示 对于整个数据集：

self.trainData = preprocessing.scale(self.trainData)

对于单个样本，其中日志的形式与traindata中的样本相同

log=preprocessing.scale（log）

您应该使用它作为

scale

函数的包装器。此包装器存储从训练数据中学习到的平均值和标准偏差，然后使用此信息缩放其他数据

用法示例：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()

trainData = scaler.fit_transform(trainData)
# I have used reshape because of single sample. In other cases, its not needed
log = scaler.transform(np.reshape(log, (1,-1)))

fit\u transform（）

只是先调用

fit（）

然后调用

transform（）

的快捷方式

fit（）

方法不返回任何内容。它只是分析数据以了解平均值和标准偏差

transform（）

将使用学习到的平均值和标准值缩放数据并返回新数据

---

您应该只对培训数据调用

fit（）

或

fit\u transform（）

，而不要对任何其他数据调用。要转换测试或新数据，请始终使用

transform（）

显示代码，如何处理单个示例。你应该使用与训练中相同的量表。如果在单个样本上调用

scale（）

，它将给出错误的结果。我添加了代码，如果在单个样本上使用scale（）时得到错误的结果，我将如何正确预处理单个样本？太棒了，这解决了问题，并最终稍微提高了模型的准确性。