Machine learning 有没有像「；scaler.逆变换（）」；要获取部分定标器参数以反规范化答案？；

我正在尝试规范化我的数据（使用shape（23687,7）），然后将原始数据集的平均值和标准值保存到“normalized_param.pkl”

将归一化数据拟合到我的LSTM模型后，我将得到一个答案数组（形状（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:具有形状（23687,1）的不可广播输出操作数与广播形状（23687,7）不匹配

---

我想这是因为test\u 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\u scaler.mean\u[-1]

和

“test\u scaler.scale\u[-1]

以获取我要计算的最后一个参数。

然而，我认为它相当复杂，有没有像scaler.inverse_transform（）那样的sklearn方法可以很容易地用来解决这个问题

---

谢谢

是的，这里有一个方法。请参阅文档

---

谢谢，但我想这并不是我想问的。我知道你提到的方法。在我的例子中，我的输入数据有7个属性，但我的预测数据（输出）只有1个属性。所以当我规范化训练数据并保存

StandardScaler（）时

，它实际上保存了7个属性。在另一个过程中，我加载

StandardScaler（）

并规范化测试数据。将其拟合到模型后，我将得到只有1个属性的预测。现在，我想反规范化预测，我不能使用

scaler.fit\u转换（数据）

直接，因为该方法应该适合7个属性。我明白了，让我们分离X（预测值）和y（目标值），现在用

StandardScaler（）分别缩放X和y

然后如果你用“y的缩放器”应用

逆变换，它应该这样做。基本上，如果目标变量y在7个属性中，则将其拆分。
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.