ML反演叶面积指数（LAI）， 关于scikit-learn中的fit_transform()和transform()理解
机器学习遥感领域相关应用
最近使用了几种机器学习的算法来估算棉花的叶面积指数（Leaf Area Index, LAI），模型训练好了，使用单独的test data验证，几个模型的精度还不错，但是最后用训练好的模型和3期（2018.6.6、2018.7.11、2018.8.20）Sentinel-2遥感影像数据来反演LAI的时候，发现3期反演出来的LAI结果值分布非常接近（按照实测数据，正常结果应该是3期LAI均值分别在0.3、3.6、5.5左右），大部分值都在1.5~2.5之间，这让我感觉特别不能理解，明明模型已经训练好了，用他们去predict测试集表现也很好，可为什么最后拿遥感影像数据来算的时候就不对呢？？然后我想了很久没有想出问题出在哪儿，后来我就想既然模型调参训练过程没有什么问题，那问题可能出在后面处理Sentinel-2影像这里，仔细看了下这部分的代码，突然发现一个小问题，模型训练的时候train data进行了Feature Scaling(主要是standardization)，然后我发现Sentinel-2影像数据和train data都是用了fit_transform()，而模型测试的时候使用的是transform()，这让我很奇怪，又回去仔细翻看Hands-On Machine Learning with Scikit-Learn and TensorFlow这本书（当时构建模型的时候主要参考的这本书）发现scikit-learn中确实有2种变换方法fit_transform()和transform()，但是书中对这2种方法的解释不是特别理解，于是在网上查询了下2者的区别，终于明白，fit_transform()是用于train data（其中的fit主要是为了计算待标准化数据的均值和方差等参数），而transform()是用于test data，所以最后拿Sentinel-2影像反演LAI的时候不能再使用fit_transform()了，立马改成transform()，再运行模型，结果跟预期的一致。好了，问题终于解决了，可以回去安心改论文了。
*上别人的解答：
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
sc.fit_tranform(X_train)
sc.tranform(X_test)
参考网址：