当我使用最小最大缩放数据训练模型时，如何使用最小最大缩放器预测单个数据样本？

Question

正如similar question 中所述，当您拥有一组样本时，可以轻松地测试数据。 如果用户必须预测单个样本的目标，那么如何进行。请帮忙。

谢谢。

Answer 1

您可以使用您在训练时使用的同一 MinMaxScaler() 对象来转换您的单个实例。这是一个例子。

# training data
X_train = np.array([[1, 2], [3, 4], [5, 6]])
y_train = np.array([1, 0])

# scaler
scaler = MinMaxScaler().fit(X_train)

缩放X_train:

X_train_scaled = scaler.transform(X_train)

使用 X_train_scaled 和 y_train 训练模型 ...

---

预测新样本np.array([7, 8])：

new_sample = np.array([7, 8]).reshape(1, -1)  # because the scaler expects a 2D array
scaler.transform(new_sample)  # pass this to model.predict()

---

编辑：

最小-最大归一化的工作原理：

以下转换应用于(Wikipedia Link)的每个特征：

我们会将其应用于X_train

X_train = np.array([[1, 2], [3, 4], [5, 6]])

array([[1, 2],
       [3, 4],
       [5, 6]])

# min, max of each feature
mn = np.min(X_train, axis=0)  # array([1, 2])
mx = np.max(X_train, axis=0)  # array([5, 6])

计算缩放版本：

(X_train - mn) / (mx - mn)

array([[0. , 0. ],
   [0.5, 0.5],
   [1. , 1. ]])

以上匹配结果：

scaler = MinMaxScaler().fit(X_train)
X_train_scaled = scaler.transform(X_train)

array([[0. , 0. ],
       [0.5, 0.5],
       [1. , 1. ]])

当您提供新的输入向量时，应使用上述 mn 和 mx 值应用相同的转换

new_smaple = np.array([7, 8]).reshape(1, -1)
(new_sample - mn) / (mx - mn)

array([[1.5, 1.5]])

这匹配scaler.transform(new_sample)的输出

此外，您可以使用 scaler.data_min_ 和 scaler.data_max_ 从拟合的 MinMaxScaler 对象中提取最小值、最大值，这将匹配上述 mn 和 mx。