python数据预测非时序_如何对时序测试数据进行预处理，进行分类预测？

在使用timeseries数据集训练分类器模型时，如果使用整个训练数据集的最小值/最大值来规范化/缩放，那么也会考虑到未来的值，而在实际的场景中，您不会有这些信息，对吗？好的，那么您应该只使用您的培训数据来构建缩放器：scaler = StandardScaler().fit(X_train)

X_train = scaler.transform(X_train)

X_test = scaler.transform(X_test)

但是如果新的价值观与培训的价值观稍有不同呢？在

考虑到这一点，我认为：

^{pr2}$

或者只取列车和试验的平均值和标准差，使试验输入正常化：X_train_mean = np.mean(X_train)

X_train_std = np.std(X_train)

X_train_normalized = (X_train - X_train_mean) / X_train_std

X_test_mean = np.mean(y_test)

X_test_std = np.std(y_test)

new_mean = (X_train_mean + X_test_mean) / 2

new_std = (X_train_std + X_test_std) / 2

X_test_normalized = (X_test - new_mean) / new_std

关于this log1p solution，它与log(1+x)相同，因此可以在(-1；∞)上工作吗？或者exp normalize呢？在

处理这种情况的最佳实践是什么？在