nesse aula, entendi que para alguns modelos deve-se normalizar os dados a fim de evitar que as escalas interfiram nas rprevisões, porém ao dividir os dados em treino/teste, apenas a variável x foi normalizada, no caso não deveríamos normalizar o treino_y e teste_y?

from sklearn.preprocessing import StandardScaler

raw_treino_x, raw_teste_x, treino_y, teste_y = train_test_split(x, y, random_state=SEED, stratify=y)
print(f"Treinaremos com {len(raw_treino_x)}")
print(f"Testaremos com {len(raw_teste_x)}")

scaler = StandardScaler()
scaler.fit(raw_treino_x)

treino_x = scaler.transform(raw_treino_x)
teste_x = scaler.transform(raw_teste_x)

modelo = SVC(gamma='auto')
modelo.fit(treino_x, treino_y)
previsoes = modelo.predict(teste_x)

acuracia = accuracy_score(teste_y, previsoes) * 100
print(f"A acurácia foi de {acuracia:.2f}%")