我一直在研究一个机器学习模型，目前使用的是带有GridSearchCV的Pipeline。我的数据使用MinMaxScaler进行了缩放，并且我使用的是带有RBR核的SVR。现在我的模型已经完成、拟合，并且有了一个不错的评估分数，我的疑问是，在进行预测时，是否也需要使用MinMaxScaler对新数据进行缩放，还是可以直接使用原始数据进行预测？我已经阅读了三本关于scikit learn的书，但它们都专注于特征工程和拟合。它们并没有真正涵盖预测步骤中的任何额外步骤，除了使用predict方法之外。

这是代码：

pipe = Pipeline([('scaler', MinMaxScaler()), ('clf', SVR())]) time_split = TimeSeriesSplit(n_splits=5) param_grid = {'clf__kernel': ['rbf'],               'clf__C':[0.0001, 0.001],               'clf__gamma': [0.0001, 0.001]} grid = GridSearchCV(pipe, param_grid, cv= time_split,                     scoring='neg_mean_squared_error', n_jobs = -1) grid.fit(X_train, y_train) 

回答：

当然，如果你得到新的（未处理的）数据，你需要执行与训练模型时相同的准备步骤。例如，如果你使用默认属性的MinMaxScaler，模型习惯于处理每个特征都具有零均值和标准方差的数据，如果你不预处理数据，模型将无法产生准确的结果。

请记住，要使用你在训练数据时使用的同一个MinMaxScaler对象。因此，如果你将模型保存到文件中，也要保存你的预处理对象。