有没有像「scaler.inverse_transform()」这样的方法来获取部分缩放器参数来反规范化答案？答案

【问题标题】：Is there any method like 「scaler.inverse_transform()」to get partial scaler params to de-normalize the answer？有没有像「scaler.inverse_transform()」这样的方法来获取部分缩放器参数来反规范化答案？
【发布时间】：2020-04-16 12:16:42
【问题描述】：

我正在尝试标准化我的数据（形状为 (23687,7)），然后将原始数据集的均值和标准差保存到 "normalized_param.pkl"

将归一化数据拟合到我的 LSTM 模型后，我会得到一个答案数组（形状为 (23687, 1)）

现在我要做的是：

test_sc_path = os.path.join('normalized_standard', 'normalized_param.pkl')
test_scaler = load(test_sc_path)
test_denorm_value = test_scaler.inverse_transform(test_normalized_data)

ValueError：形状为 (23687,1) 的不可广播输出操作数与广播形状 (23687,7) 不匹配

我认为这是因为 test_scaler 对象内部有 7 个 dim 参数，所以如果我只想对 1 个 dim 数据进行反规范化，我应该使用 test_scaler.mean_[-1]and「test_scaler.scale_[-1]获取我要计算的最后一个参数。

不过我觉得挺复杂的，有没有像scaler.inverse_transform()这样的sklearn方法可以轻松解决这个问题？

谢谢

【问题讨论】：

标签： machine-learning scikit-learn deep-learning data-science

【解决方案1】：

是的，有一种方法。请参阅文档here。

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()

scaler.fit(data) # Basically fits the data, store means & standard deviations.
scaler.transform(data) # Standardize (Normalize) the data with the scaler parameters
scaler.fit_transform(data) # Fits & Transform 
scaler.inverse_transform(data) # Apply inverse transformation for the input data.

【讨论】：

谢谢，但我认为这不是我想问的。我知道你提到的方法。就我而言，我的 input_data 有 7 个属性，但我的 predict_data(output) 只有 1 个属性。因此，当我对训练数据进行归一化并保存 StandardScaler() 时，它实际上保存了 7 个属性。在另一个过程中，我加载 StandardScaler() 并规范化 test_data。将其拟合到模型后，我将得到只有 1 个属性的预测。现在，我想对预测进行反规范化，我不能直接使用scaler.fit_transform(data)，因为该方法应该适合 7 个属性。
我明白了，让我们分开 X（预测变量）和 y（目标），现在用 StandardScaler() 分别缩放 X 和 y，然后如果你将 inverse_transform 与“y 缩放器”一起应用，它应该可以它。基本上，如果目标变量 y 在 7 个属性中，则将其拆分。