我正在使用sklearn的DictVectorizer来构建一个大型稀疏特征矩阵，该矩阵被馈送到ElasticNet模型。当预测器（特征矩阵中的列）居中并按比例缩放时，弹性网（和类似的线性模型）工作得最好。建议的方法是构建一个Pipeline，它在回归器之前使用StandardScaler，但它不适用于稀疏特性，如文档中所述。
我想在ElasticNet中使用normalize=True标志，它似乎支持稀疏数据，但尚不清楚在预测测试数据时是否也应用了归一化。有人知道normalize=True是否也适用于预测吗？如果没有，在处理稀疏特征时，是否有方法在训练和测试集上使用相同的标准化？
通过sklearn代码，当fit_intercept=True和normalize=True时，在归一化数据上估计的系数会投影回数据的原始规模。这与R中的glmnet处理标准化的方式类似。相关的代码片段是LinearModel的方法_set_intercept，请参阅https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/base.py#L158.因此，对看不见的数据的预测使用原始尺度的系数，即normalize=True可以安全使用。