在创建机器学习模型时，我的同事告诉我，数据拆分应该在机器学习模型构建阶段尽早进行，特别是在数据标准化或缩放之前。我对机器学习非常陌生，所以希望能得到一些建议。
这是我之前的做法
standardized_X = preprocessing.scale(x_data) X_train_std, X_test_std, y_train_std, y_test_std = train_test_split(standardized_X, df_breast.CLASS.values, test_size=0.3, random_state=0)而我被建议的顺序应该是
X_train_std, X_test_std, y_train_std, y_test_std = train_test_split(standardized_X, df_breast.CLASS.values, test_size=0.3, random_state=0)standardized_X = preprocessing.scale(x_data)如果您能提供理由，那就太好了。
回答：
首先，训练集和测试集都应该在一定程度上代表总体（联合集）。在许多情况下，这可能并非如此。
缩放基本上是通过使用样本的均值和标准差来标准化数据。通常使用的公式称为z分数缩放 [(x-均值)/(标准差)]。
最好先将数据拆分为训练集和测试集，然后使用各自的均值和标准差对每个集合进行标准化。如果你事先标准化了整个数据集，那么后来当你将它们拆分为两个不同的集合时，你的模型可能会有偏见。如果你有两个不同样本基于各自中心进行标准化，你可以更好地评估模型的准确性，并且可以更有信心你的模型将适用于现实生活中的输入。
