具有特征缩放的线性回归

Question

关于线性回归中的特征缩放，我有一个一般性的问题。

我有一个数据集，相当于两年的数据。一个特定列的第一年的数据价值与第二年的完全不同。我假设计算第一年的变量与第二年的变量可能有不同的属性。

不管怎样，下面是数据集的样子。我将显示每年的前6行：

Date             Col1
2015-01-01       1500
2015-01-02       1432
2015-01-03       1234
2015-01-04       1324
2015-01-05       1532
2015-01-06       1424
.
.
.
2016-01-01         35
2016-01-02         31
2016-01-03         29
2016-01-04         19
2016-01-05         22
2016-01-06         32

当我想要预测这个数据集时，显然它会以负面的方式预测结果，但实际上数据只是以某种方式进行了重新缩放。

如果我这样应用特征缩放，我如何恢复到我的原始数据集来进行预测？

normalize <- function(x){
  return((x-min(x)) / (max(x)-min(x)))
}

scaled_data <- 
  df %>%
  group_by(Date %>%
  mutate(NORMALIZED = normalize(Col1))

Answer 1

好的。尽管您自己提供了答案，但也可以将其放在一个函数中。

这个变量应该被赋予预测值和原始向量

backtransform <- function(value, x) { value * (max(x) - min(x)) + min(x) }

或者，如果您计算并保持最小和最大值，则

backtransform2 <- function(value, min, max) { value * (max - min) + min }