回归模型预测新数据：是否需用RobustScaler与OneHotEncoder及逆变换？

问题1：预测前是否需要对新数据应用RobustScaler和OneHotEncoder？ #

是，必须用训练阶段拟合好的同一个RobustScaler和OneHotEncoder实例对新数据做转换，绝对不能重新初始化新实例来拟合新数据：

• 数值特征（示例里的15、1）要通过训练时拟合过的RobustScaler执行transform操作，保证新数据的缩放规则和训练数据完全一致
• 类别特征（示例里的red、BK）要通过训练时拟合过的OneHotEncoder执行transform操作，用训练数据中学到的类别映射生成编码，否则模型无法识别不符合训练规则的特征格式

模型是基于处理后的特征训练的，新数据的特征格式、分布必须和训练数据严格对齐，否则预测结果毫无参考价值。

问题2：是否需要使用RobustScaler().inverse_transform将预测值还原为原始数值？ #

取决于训练阶段的操作细节：

• 如果训练时只对输入的数值特征做了RobustScaler处理，预测目标（标签）没有做任何缩放，那预测值本身就是原始数值范围，不需要逆变换
• 如果训练时对预测目标也用了RobustScaler做了缩放（比如为了提升模型训练稳定性），那必须用训练时拟合标签的那个RobustScaler实例执行inverse_transform，才能把预测值还原到原始数值范围

注意：绝对不能直接用RobustScaler()新建实例做逆变换，必须复用训练时保存的、拟合过对应数据的实例，否则还原结果会完全错误。

内容的提问来源于stack exchange，提问作者Chubiblan