Entrenamiento del modelo

train_test_split() divide al conjunto de datos al no indicarle la proporcion posiblemente la funciona usa el valor por defecto

Este capítulo me dejó unas dudas que resolví investigando un poco.

1. Al no colocar un test_size, se asume que toma un 75% para train y 25% para test
2. El .fit lo que haría es obtener la media y la desviación estandar para luego aplicarlo al usar la transformación.
3. Al hacer un fit de X, y es para sacar los valores que describo en 2) y aplicarlos al X_train, X_test, y_train, y_test
4. No siempre es necesario aplicar un fit_transform al target
5. En caso uses el método que coloco abajo, debes saber que .fit_transform se aplica a X_train, y_train, y .transform solo se aplica a X_test, y_test

Yo lo hice de esta manera, es otra opción:

from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

X = data.drop(columns = ['charges'])
y = data[['charges']]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)

sc_x = StandardScaler()
X_train = sc_x.fit_transform(X_train)
X_test = sc_x.transform(x_test)

sc_y = StandardScaler()
y_train = sc_y.fit_transform(y_train)
y_test = sc_y.transform(y_test)

model = LinearRegression()
model.fit(X_train, y_train)

y_pred = model.predict(X_test)

El entrenamiento del escalador debería ser solo con las variables de entrenamiento, es decir

sc_x.fit(X_train)
sc_y.fit(y_train)