在标准化后，我们是否应该对我们的数据进行去造假？

Question

如果我们在学习之前使用sklearn库的preprocessing.normalize()函数来规范数据，如下所示：

preprocessing.normalize(training_set)
model.add(LSTM())

我们应该对denormalization的结果做一个LSTM，以得到一个真实的规模预测结果吗？如果是的话，如何去极化？

Answer 1

这可以在Python中使用scaler.inverse_transform完成。

考虑使用MinMaxScaler进行规范化的数据集，如下所示：

# normalize dataset with MinMaxScaler
scaler = MinMaxScaler(feature_range=(0, 1))
dataset = scaler.fit_transform(dataset)

# Training and Test data partition
train_size = int(len(dataset) * 0.8)
test_size = len(dataset) - train_size
train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:]

# reshape into X=t-50 and Y=t
previous = 50
X_train, Y_train = create_dataset(train, previous)
X_test, Y_test = create_dataset(test, previous)

# reshape input to be [samples, time steps, features]
X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))
X_test = np.reshape(X_test, (X_test.shape[0], 1, X_test.shape[1]))

在从LSTM生成预测后，可以使用scaler.inverse_transform将相同的预测转换回如下：

model = Sequential()
model.add(LSTM(4, input_shape=(1, previous)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(X_train, Y_train, epochs=100, batch_size=1, verbose=2)
trainpred = model.predict(X_train)
testpred = model.predict(X_test)
trainpred = scaler.inverse_transform(trainpred)
Y_train = scaler.inverse_transform([Y_train])
testpred = scaler.inverse_transform(testpred)
Y_test = scaler.inverse_transform([Y_test])
predictions = testpred

Answer 2

问题中的含义是，您正在规范目标变量以及预测器。总的来说，我认为这可能不是正确的做法，你应该把目标排除在正常化之外。在这种情况下，不需要在训练后进行逆变换。