深度学习：如何使用 skLearn 缩放预测数据 - MinMaxScaler()答案

【问题标题】：Deep Learning: How to scale predicted data with skLearn - MinMaxScaler()深度学习：如何使用 skLearn 缩放预测数据 - MinMaxScaler()
【发布时间】：2019-10-04 06:37:00
【问题描述】：

我正在创建一个神经网络来对音乐进行降噪。

模型的输入是一个从 0 缩放到 1 的数组。这是使用 sklearn MinMaxScaler 实现的。数据的原始范围是从-1到1。模型的输出也是一个从0到1缩放的数组。

但是，在预测信息时，我无法将数据缩放回 -1 到 1。

我的代码类似于：

data = load(data_path)
scaler = MinMaxScaler(feature_range = (0,1))
data = data.reshape(-1,1)
data = scaler.fit_transform(data)

model = load_model(model_path)
predicted_data = model.predict(data)

predicted_data = scaler.inverse_transform(predicted_data)

但是我收到了错误：

This MinMaxScaler instance is not fitted yet. Call 'fit' with appropriate arguments before using this method.

然而，数据已经被拟合了，我不想再次拟合它。

为什么我会收到此错误？ MinMaxScaler 不应该仍然能够对未拟合的数据进行 inverse_transform 吗？

关于这个错误有什么建议吗？

【问题讨论】：

标签： python keras scikit-learn deep-learning

【解决方案1】：

错误说明了一切，您需要分别调用fit 和transform 方法，而不仅仅是fit_transform。

data = load(data_path)
data = data.reshape(-1, 1)
scaler = MinMaxScaler(feature_range = (0,1)).fit(data)
data = scaler.transform(data)

model = load_model(model_path)
predicted_data = model.predict(data)

predicted_data = scaler.inverse_transform(predicted_data)

【讨论】：