在预处理和缩小尺寸之前还是之后将X分为测试/训练？机器学习

Question

我已经完成了Microsoft的课程DAT210X-使用Python进行数据科学编程。

在创建SVC用于机器学习的模型时，我们建议在执行eg 和eg 之前使用from 将数据集X分成test和train集。我在下面提供了一个代码示例，其中部分代码是我使用这种处理方式针对给定问题编写的解决方案的一部分。train_test_splitsci-kit learnpreprocessingscalingdimension reductionPCA/Isomap

但是，在将X拆分为and 之前，它在X 上preprocess和PCA/IsoMapX上看起来要快得多，并且得分更高。testtrainaccuracy

我的问题是：

1）是否有原因，我们不能在分割进行测试和训练之前将标签（y）切成薄片并对所有X进行预处理和缩小尺寸？

2）在所有X上进行预处理和降维的分数（减y）要比拆分X然后进行预处理和降维的分数更高。为什么会这样呢？

X_train, X_test, y_train, y_test = train_test_split(X, y,test_size=0.30, random_state=7)

step_c = .05
endpt_c = 2 + step_c
startpt_c = .05

step_g = .001
endpt_g = .1 + step_g
startpt_g = .001

bestscore = 0.0
best_i = 0.0
best_j = 0.0

pre_proc = [
        preprocessing.Normalizer(),
        preprocessing.MaxAbsScaler(),
        preprocessing.MinMaxScaler(),
        preprocessing.KernelCenterer(), 
        preprocessing.StandardScaler()
       ]
best_proc = ''
best_score = 0

print('running......')

# pre-processing (scaling etc)
for T in pre_proc: 
    X_train_T = T.fit_transform(X_train) 
    X_test_T =  T.transform(X_test) # only apply transform to X_test!

    # dimensionality reduction
    for k in range(2, 6):
        for l in range(4, 7):
            iso = Isomap(n_neighbors = k, n_components = l)
            X_train_iso = iso.fit_transform(X_train_T)
            X_test_iso = iso.transform(X_test_T)

            # SVC parameter sweeping
            for i in np.arange(startpt_c,endpt_c, step_c):
                # print(i)
                for j in np.arange(startpt_g,endpt_g, step_g):

                    clf = SVC(C=i, gamma=j , kernel='rbf'
                    # max_iter=-1, probability=False, random_state=None,   shrinking=True, tol=0.001, verbose=False)
                )
                    clf.fit(X_train_iso, y_train) 
                    score = clf.score(X_test_iso, y_test)

                    if bestscore < score:
                        bestscore = score
                        best_c = i
                        best_g = j
                        best_proc = T
                        best_n_neighbors = k
                        best_n_components = l

# Print final variables that gave best score:
print('proc: ' + str(T), 'score:' + str(bestscore), 'C: ' + str(i), 'g: ' + str(j), 'n_neigh: ' + str(k), 'n_comp: ' + str(l))enter code here

Answer 1

关于

1）是否有原因，我们不能在分割进行测试和训练之前将标签（y）切成薄片并对所有X进行预处理和缩小尺寸？

原因是您应该在训练数据上训练模型，而不使用有关测试数据的任何信息。如果在训练模型之前对所有数据（包括测试数据）应用PCA，则实际上您会使用测试数据中的某些信息。因此，您无法真正使用测试数据来判断模型的行为，因为它不再是看不见的数据。

关于：

2）在所有X上进行预处理和降维的分数（减y）要比拆分X然后进行预处理和降维的分数更高。为什么会这样呢？

这完全有道理。您使用了来自测试数据的一些信息来训练模型，因此在测试数据上的得分会更高是有意义的。但是，此分数实际上无法再根据看不见的数据来估计模型的行为。