Должен ли я применять StandardScaler до или после train_test_split? ⇐ Python

[Anonymous]

Я обучаю небольшую регрессионную модель и столкнулся с противоречивыми предложениями по масштабированию. Некоторые примеры показывают:

Код: Выделить всё

X_scaled = StandardScaler().fit_transform(X)
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y)

Другие рекомендуют:

Код: Выделить всё

X_train, X_test, y_train, y_test = train_test_split(X, y)
scaler = StandardScaler().fit(X_train)
X_train = scaler.transform(X_train)
X_test = scaler.transform(X_test)

Я понимаю, что вторая версия позволяет избежать «утечки данных», но я не до конца понимаю, почему предварительное масштабирование всего набора данных может повредить обобщению, если тестовый набор все равно невидим.

Может ли кто-нибудь объяснить это интуитивно?
>

Подробнее здесь: https://stackoverflow.com/questions/798 ... test-split