應該要使用「舊數據集的平均、標準差」來做preprocessing.StandardScaler().inverse_transform()，還是以「新的數據集的平均、標準差」來做inverse_transform()

Ans.用舊的

另外講一下training data和 testing data，在正統作法中，是將一整個data set，切成training data和testing data。這邊新手會有點疑惑，萬一training data和testing data的平均值和標準差不一樣，我怎麼可以拿training data跑出的狀況，拿去套testing data觀看狀況，進而決定模型呢？

這邊有個小盲點，在於使用的並非training data的平均值和標準差(或最大值最小值)，實際應該要用一整個data set的平均值和標準差。同理，換句話說，這邊有幾個概念：

1. 如果你要做normalize，那你應該在切成training data和 testing data之前就做完，做完normalize才拆開成training data和testing data。
2. 但看你描述，似乎你並沒辦法先擁有【新資料】，這導致你只能先做模型，再拿去套新資料。如果你用的是所謂【新資料】，它一樣有normalize的過程，這絕對是用舊資料的格式去做，不會再以新資料去做，否則舊資料推倒推導的模型就不適用了。
3. 此外，如果這只是一個初步階段，就這模型並非幾十年來你的老前輩大家早就決定好的內容，你可以任意調整你的模型的話……正解是：先將新資料和舊資料【合併】，合併完後做normalize，再把新資料和舊資料拆開，拿舊資料跑模型，跑完套新資料。只是，這個只是在解釋說明上你比較好釐清新舊資料的區別(好對老闆說明)，對統計本人而言，在你合併的當下，其實已沒有所謂新舊資料的差別，換句話說此時仍應該從data set隨機抽樣舊資料的size(看舊資料有多少筆就隨機抽多少筆)，抽出來做成模型後，拿剩下來的資料去套，套完後一整個data set會有個結果(舊資料+新資料)，再依照你真實的新舊資料去拆開看結果。

我的看法如下：
『標準化』(Standardization)目的是在訓練階段時提高準確度及加速收斂，所以，測試或實際預測時，只要依訓練資料的平均數及標準差 transform 即可，除非，你要將新資料納入訓練資料，重新建立『新』模型。