Python 与输入不同维度的反向缩放输出数据

我正在使用神经网络（监督学习）在安全健身房训练一名代理。 在收集数据之后，我需要在输入目标中对它们进行缩放和划分。 我对整个数据集执行缩放：

scaler = StandardScaler()
scaler.fit(Dataset)
scaler.transform(Dataset)

然后，我使用数据集切片（numpy数组）在输入目标中划分数据集

我不认为我需要在训练期间（即当我计算损失函数时）对输出进行逆变换，但我认为当我想对环境施加影响时，我需要对其进行逆变换。 问题是输出与数据集的维数不同，因此我不能使用逆_变换方法

---

正确的做法是什么？

是的。你说得对。在训练期间，您不需要进行逆变换

学习和训练模型后，应使用相同的定标器对预测结果进行逆变换，以便将其与真实数据进行比较

最后，在部署模型时，您应该为新的传入数据使用scaler

提示：你可以使用

scaler.fit_transform() 
scaler.inverse_transform()

---

请参阅更多信息：

我的数据集有n行和101列，而我的网络输出有n行和98列。我想知道，由于无法使用给定不同维度的逆变换函数，访问Scaler对象并获取98列的平均值和标准偏差，然后手动计算逆变换是否有意义。我希望我已经很清楚：DI以前也遇到过同样的问题。我只是通过添加另一列零来确保它们具有相同的形状。请注意，scaler对每列都有效，因此，如果添加具有任何值的列，或者行数存在差异，则不会出现问题。