La misma disciplina de evaluación se aplica tanto si el estimador es sencillo como si está penalizado. Estas tareas mezclan el escalado por sí solo con pipelines de ridge y lasso sobre registros ficticios nuevos de duraciones. Lee cada alpha solicitado y conserva la división original entre entrenamiento y prueba. Un pipeline ajusta primero el escalador y pasa la matriz de entrenamiento transformada al estimador.
El conjunto reservado debe usar la escala del entrenamiento. Después de la transformación, su propia media normalmente no será cero, y es lo esperado. Una tarea añade una entrada constante para que compruebes que la transformación sigue dando valores finitos. Las demás cambian el tipo y la intensidad de la penalización. Aquí no hay estimadores nuevos; el reto es mantener coherente la secuencia de preparación, ajuste y predicción mientras cambian los datos y los ajustes solicitados.
La estandarización resta cada media del entrenamiento y divide por su escala del entrenamiento. Una columna constante pasa a ser cero; scikit-learn evita dividir entre cero.