Los datos de entrenamiento se normalizaron con escalado min-max en AWS Glue DataBrew. Los datos de inferencia de producción deben normalizarse exactamente de la misma manera antes de enviarse al modelo. ¿Qué enfoque satisface este requisito?

La normalización debe ser consistente entre el entrenamiento y la inferencia para evitar el "desajuste de datos". Al retener los parámetros min-max (mínimo y máximo) calculados de los datos de entrenamiento, se asegura que los datos de inferencia se transformen dentro del mismo rango que el modelo aprendió. Aplicar estadísticas de un conjunto de datos público o calcular nuevos rangos min-max de los datos de producción introduce una inconsistencia, ya que los rangos de los datos de producción podrían diferir significativamente de los de entrenamiento, lo que llevaría a un rendimiento deficiente del modelo. Normalizar cada muestra individualmente tampoco es correcto, ya que la normalización min-max se basa en el rango global de la característica.