如何在sklearn的make_pipeline中正确使用StandardScaler

你的理解完全正确，不需要额外手动操作嵌入在流水线里的StandardScaler，按你写的常规方式调用fit、predict方法，就能走完完全正确的特征缩放+模型训练预测流程，不会出现数据泄露问题。

make_pipeline构造的是按顺序执行的处理链，每一步的执行逻辑是自动衔接的：

• 调用clf.fit(X_train, y_train)时，会按流水线定义的顺序从上到下执行：
  1. 首先对StandardScaler执行fit_transform：用训练集X_train计算特征均值、标准差完成缩放器拟合，同时输出缩放后的训练集特征
  2. 将上一步输出的缩放后训练集特征和标签y_train传入RandomForestClassifier，完成模型拟合
• 调用clf.predict(X_test)时，不会重新拟合任何前置处理步骤，会直接复用训练阶段拟合好的缩放器：
  1. 用训练集上算出的均值、标准差对X_test做标准缩放，全程不会用到测试集自身的统计量，和你手动拆分步骤的处理逻辑完全一致
  2. 将缩放后的测试集特征传入训练好的随机森林模型，输出预测结果

如果你确实需要单独取出流水线里的缩放器做自定义操作，可以通过流水线的named_steps属性获取，示例代码如下：

# 取出嵌入在流水线中的缩放器，默认键名为类名全小写
pipe_scaler = clf.named_steps["standardscaler"]
# 取出后和你手动初始化的scaler用法完全一致
scaled_data = pipe_scaler.transform(X_custom)

小提示：如果构造流水线时给步骤自定义了命名，把对应键名换成你自定义的名称即可。

内容的提问来源于stack exchange，提问作者Sheldon