这是我所担忧的情况。

假设我有一个使用经过Min-Max缩放的数据训练的模型。我想测试我的模型，所以我也使用训练阶段使用的旧缩放器对测试数据集进行了缩放。然而，我的新测试数据变成了新的最小值，因此缩放器返回了负值。

据我所知，最小值和最大值并不是很稳定的值，特别是在像加密货币数据这样波动性大的数据集中。在这种情况下，我应该更新我的缩放器吗？还是应该重新训练我的模型？

回答：

我恰好不同意@***的观点。缩放的目的是将所有特征带到一个单一的尺度上，而不是严格确保它们位于[0,1]区间内。这可能非常重要，特别是在考虑惩罚大系数的正则化技术时（无论是线性回归系数还是神经网络权重）。特征缩放和正则化的结合有助于确保你的模型能够推广到未观察到的数据上。

基于你的“测试”数据进行缩放并不是一个好主意，因为在实践中，正如你指出的，你很容易观察到不在你原始观测范围内的新数据点。你的模型需要对这种情况具有鲁棒性。

一般来说，我建议考虑不同的缩放程序。scikitlearn的MinMaxScaler是一个选项，StandardScaler（减去均值并除以标准差）也是如此。在你的目标变量（如加密货币价格）可能跨多个数量级变化的情况下，可能值得使用对数函数来缩放一些变量。这就是数据科学成为一门艺术的地方——这里不一定有“正确”的答案。

(EDIT) – 另见：你是否在训练和测试数据上分别应用Min Max缩放？