在预测之前是否有必要对数据进行中心化和缩放？

Question

在 caret 包的 train 函数中，可以执行预测变量的居中和缩放，如下例所示：

knnFit <- train(Direction ~ ., data = training, method = "knn",
                preProcess = c("center","scale"))

在训练中设置此转换应该可以更好地评估算法在重采样期间的性能。

在这种情况下，当我使用模型来预测新数据的响应时，我应该关心居中和缩放，还是将这个操作包含在最终模型中？

下面的操作就够了吗？

pred <- predict(knnFit, newdata = test)

谢谢！

Answer 1

在 train 对象中指定的 preProces 将应用于新数据，而无需先对新数据进行预处理。所以你的操作就足够了。

还可以查看下面插入符号网站的摘录。还有一整节纯粹是关于预处理的。绝对值得您花时间阅读。

您可以在此处找到caret website。

这些处理步骤将在任何预测期间应用 使用 predict.train、extractPrediction 或 extractProbs 生成（参见 本文档后面的详细信息）。预处理不会 应用于直接使用 object$finalModel 对象的预测。