Какие части несбалансированного конвейера обучения применяются к набору тестов?

Я создал imbalanced-learnPipeline, состоящий из RobustScaler, SMOTE-NC, RandomUndersampling и классификатора случайного леса. Знак RandomSearchCV используется для выбора лучших гиперпараметров. Я хотел бы протестировать лучший оценщик на моем тестовом наборе.

cv = RepeatedStratifiedKFold(n_splits=5,
                             n_repeats=10,
                             random_state=42
)

scaler = RobustScaler(quantile_range=(25.0, 75.0))

smote = SMOTENC(
    categorical_features=categorical_features,
    sampling_strategy=0.35,
    random_state=42
)
rus = RandomUnderSampler(sampling_strategy=0.35, random_state=42)

classifier = RandomForestClassifier(random_state=42)

pipeline = imbalanced_make_pipeline(scaler, smote, rus, classifier)

random_search = RandomizedSearchCV(
    pipeline,
    param_distributions=param,
    scoring=scoring_metric,
    cv=cv,
    n_iter=10,
    random_state=42,
    n_jobs=-1,
)

best_model = random_search.fit(X_train, y_train).best_estimator_

y_pred = best_model.predict(X_test)

Насколько я понимаю, к тестовому набору следует применить только масштабирование (с настройками, полученными X_train) и классификатор. SMOTE и RandomUndersampling не следует применять к X_test. Гарантируется ли это конвейером imbalanced-learn или мне нужно учитывать что-то еще?