有没有像“scaler.inverse_transform()”这样的方法来获得部分标量参数来实现答案的非规范化？

Question

我试图将我的数据规范化(使用shape (23687,7))，然后将原始数据集的平均值和std保存到中。

在将归一化数据拟合到我的LSTM模型之后，我将得到一个答案数组(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)的非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对象中有7个dim参数，所以如果我只想去规范化一个dim数据，我应该使用test_scaler.mean_[-1]和「test_scaler.scale_[-1]来得到我想要计算的最后一个param。

然而，我认为这是相当复杂的，是否有像scaler.inverse_transform()那样的学习方法可以很容易地解决这个问题？

谢谢

Answer 1

是的，有一种方法。请参阅文档这里。

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.