我正在使用sklearn.neural_network.MLPClassifier构建一个神经网络：

   clf =  sklearn.neural_network.MLPClassifier(hidden_layer_sizes= (11,11,11),max_iter = 500)

在训练之前，我使用现有的特征创建了新的特征，使用了

preprocessing.scale() 

像这样：

labels = someDataBase.loadLabels()fetchers = someDataBase.loadFetchers()fetchers = preprocessing.scale(fetchers)

然后，使用train_test_split函数从中创建测试和训练值，像这样：

 X_train, X_test, y_train, y_test = train_test_split(fetchers,labels,test_size = 0.2)

然后我将它们输入到MLPClassifier的fit函数中

clf.fit(X_train, y_train)

现在我已经训练了一个神经网络

我想使用它基于新的特征进行预测，使用MLPClassifier的predict方法，这些特征不是测试集中的，而是全新的值

我应该再次使用preprocessing.scale()吗？然后将它们输入到predict方法中？还是直接使用它们原样？

回答：

你的方法可能会产生不同的缩放因子。它适用于单一的缩放任务，但不适合需要一致变换的任务。

我建议你使用sklearn.preprocessing.StandardScaler。它有很好的文档和示例，可以在这里找到。在训练时调用fit_transform方法，预测时只需调用transform方法即可。