SVM分类器模型中的StandardScaler问题

Question

我使用支持向量机作为金融市场数据的分类器

我有一个有1500条数据记录的数据库

然后进行预处理、分割、训练和测试

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.3, random_state = 42, stratify = y)

scaler = StandardScaler()

X_train = scaler.fit_transform(X_train)

X_test = scaler.transform(X_test)

但为了保持良好的控制，我将培训文件与pickle一起保存

然后，我将该文件上载到另一个包含新数据的数据库（大约150个）

我还对新数据执行standardscaler

例如，当我运行模型并执行精度测试时，我得到了60%

我的问题是当我增加这个新数据库时，从150增加到151152153等等

当增加新数据时，我注意到模型失去了准确性，甚至以前的分类也不同，当我将其分类为1时，它是0，或者相反

我怀疑有了新的数据，缩放数据的维度就不同了

我希望在插入新数据时，以前的数据没有新的评级0和1，因此会降低我的初始准确性

有人能帮忙解决这个问题吗

Answer 1

当然，由于信息不足，我们只能猜测。问题是，我从它的预测改变的事实推断，你不是简单地用当前的定标器转换新数据，而是拟合然后转换数据。因此，长话短说，您需要将scaler导出为pickle，然后在处理新数据时加载它，并简单地转换（不合适！）这些[150151，…]实例