KNN算法中的最佳k值

Question

因此，我正在学习KNN算法，在那里我学习了交叉验证来寻找k.Now的一个最优值，我想应用网格搜索来获得最优值。我在堆栈溢出上发现了一个回答，其中standardScaler和KNN都被作为估计器传递。

 pipe = Pipeline([
        ('sc', StandardScaler()),     
        ('knn', KNeighborsClassifier(algorithm='brute')) 
    ])
    params = {
        'knn__n_neighbors': [3, 5, 7, 9, 11] # usually odd numbers
    }
    clf = GridSearchCV(estimator=pipe,           
                      param_grid=params, 
                      cv=5,
                      return_train_score=True) # Turn on cv train scores
    clf.fit(X, y)

我的问题

1. 在传递给KNN之前，我已经在应用标准定标器对数据进行标准化。那么在这里，我还需要在估计量中通过标准标度器吗？
2. 假设x和y是独立的因变量，为什么X和Y被传递而不是x_train和y_train，而x_train、y_train是在train_test_split操作后形成的？

这类代码的任何示例都将被附加。

Answer 1

查看链接的答案，似乎他们正在直接培训X和y，因为他们使用的是GridSearchCV，这已经包括了k折叠交叉验证(默认情况下是5倍)。因此，基本上，通过使用定义的管道调用GridSearchCV，您已经为分类器获得了一个评分。

尽管如此，我仍然认为，在没有最终测试步骤的情况下，直接执行此操作从来都不是推荐的方法，即在未见数据上评估经过训练的模型的性能。因此，即使您做了k-折叠交叉验证，最好留下一个测试集，以获得最后的分数，特别是当k-折叠过程涉及一个超参数调优时，就像在这种情况下。在这种情况下，您需要另一个独立于调优的验证步骤。

关于第二点，不，如果数据已经正常化，则不需要包含StandardScaler。不过，由于您使用的是管道，为了简单起见，您最好将所有转换逻辑都包含在管道中。