A mesma disciplina de avaliação vale tanto para um estimador simples quanto para um penalizado. Estas tarefas misturam o escalonamento isolado com pipelines de ridge e lasso sobre novos registros fictícios de duração. Leia cada alpha solicitado e preserve a divisão original entre treinamento e teste. Um pipeline ajusta primeiro o escalador e passa a matriz de treinamento transformada ao estimador.
O conjunto reservado deve usar a escala do treinamento. Depois da transformação, a média dele normalmente não será zero, e isso é esperado. Uma tarefa acrescenta uma entrada constante para que você confira que a transformação continua gerando valores finitos. As demais variam o tipo e a intensidade da penalização. Aqui não há estimadores novos; o desafio é manter consistente a sequência de preparação, ajuste e predição enquanto os dados e as configurações solicitadas mudam.
A padronização subtrai a média do treinamento de cada coluna e divide pela escala dela no treinamento. Uma coluna constante vira zero; o scikit-learn evita a divisão por zero.