Scikit learn 数据归一化后，使用回归分析如何预测y？
我已经对我的数据进行了标准化，并应用回归分析来预测产量（y）。 但我的预测输出也给出了归一化（0到1） 我希望我的预测答案是正确的数据，而不是0到1 数据： 接下来，我将使用以下代码规范化数据：Scikit learn 数据归一化后，使用回归分析如何预测y？,scikit-learn,regression,normalization,linear-regression,statsmodels,Scikit Learn,Regression,Normalization,Linear Regression,Statsmodels,我已经对我的数据进行了标准化，并应用回归分析来预测产量（y）。 但我的预测输出也给出了归一化（0到1） 我希望我的预测答案是正确的数据，而不是0到1 数据： 接下来，我将使用以下代码规范化数据： from sklearn.preprocessing import Normalizer import pandas import numpy dataframe = pandas.read_csv('/home/desktop/yield.csv') array = dataframe.values
from sklearn.preprocessing import Normalizer
import pandas
import numpy
dataframe = pandas.read_csv('/home/desktop/yield.csv')
array = dataframe.values
X = array[:,0:2]
scaler = Normalizer().fit(X)
normalizedX = scaler.transform(X)
print(normalizedX)
Total_yield Rain
0 0.999904 0.013858
1 0.999782 0.020872
2 0.999960 0.008924
3 0.999967 0.008092
4 0.999966 0.008199
5 0.999972 0.007481
6 0.999915 0.013026
7 0.999942 0.010758
8 0.999946 0.010414
9 0.999984 0.005627
10 0.999967 0.008167
array=normalizedX
data = pandas.DataFrame(array,columns=['Total_yield','Rain'])
import statsmodels.formula.api as smf
lm = smf.ols(formula='Total_yield ~ Rain', data=data).fit()
lm.summary()
<class 'statsmodels.iolib.summary.Summary'>
"""
OLS Regression Results
==============================================================================
Dep. Variable: Total_yield R-squared: 0.752
Model: OLS Adj. R-squared: 0.752
Method: Least Squares F-statistic: 1066.
Date: Thu, 09 Feb 2017 Prob (F-statistic): 2.16e-108
Time: 14:21:21 Log-Likelihood: 941.53
No. Observations: 353 AIC: -1879.
Df Residuals: 351 BIC: -1871.
Df Model: 1
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [95.0% Conf. Int.]
------------------------------------------------------------------------------
Intercept 1.0116 0.001 948.719 0.000 1.009 1.014
Rain -0.3013 0.009 -32.647 0.000 -0.319 -0.283
==============================================================================
Omnibus: 408.798 Durbin-Watson: 1.741
Prob(Omnibus): 0.000 Jarque-Bera (JB): 40636.533
Skew: -4.955 Prob(JB): 0.00
Kurtosis: 54.620 Cond. No. 10.3
==============================================================================
首先，在这种情况下不应该使用Normalizer。它不会跨功能标准化。它是沿着一排排做的。你可能不想要它 使用或缩放每个特征。有关更多详细信息，请参阅 其次，这些类有一个
逆变换（）x = np.asarray([720.1,382.9,1198.2,341.4,406.4,325.8,
791.8,748.6,1552.6,1357.7,344.3]).reshape(-1,1)
y = np.asarray([64799.30,77232.40,88487.70,77338.20,145602.05,67680.50,
84536.20,99854.00,65939.90,61622.80,66439.60]).reshape(-1,1)
scalerx = RobustScaler()
x_scaled = scalerx.fit_transform(x)
scalery = RobustScaler()
y_scaled = scalery.fit_transform(y)
statsmodel.OLSx_scaled_test = scalerx.transform([720.1])
Yield_scaled = b0 + b1 * x_scaled_test
Yield_original = scalery.inverse_transform(Yield_scaled)
该数据不适用于线性模型。使用其他技术，或获取更多数据。首先，在这种情况下不应使用Normalizer。它不会跨功能标准化。它是沿着一排排做的。你可能不想要它 使用或缩放每个特征。有关更多详细信息，请参阅 其次，这些类有一个
逆变换（）x = np.asarray([720.1,382.9,1198.2,341.4,406.4,325.8,
791.8,748.6,1552.6,1357.7,344.3]).reshape(-1,1)
y = np.asarray([64799.30,77232.40,88487.70,77338.20,145602.05,67680.50,
84536.20,99854.00,65939.90,61622.80,66439.60]).reshape(-1,1)
scalerx = RobustScaler()
x_scaled = scalerx.fit_transform(x)
scalery = RobustScaler()
y_scaled = scalery.fit_transform(y)
statsmodel.OLSx_scaled_test = scalerx.transform([720.1])
Yield_scaled = b0 + b1 * x_scaled_test
Yield_original = scalery.inverse_transform(Yield_scaled)
该数据不适用于线性模型。使用其他技术，或获取更多数据。当我使用MinMax scaler&standardize时，我将得到R平方：0.07，当我使用时，我将得到R平方：0.75，这就是为什么我选择，规格化，好的，我将使用RobustScaler，我不理解“逆变换”（reverse_transform）的含义可将预测y值转换回原始单位的函数”。你能解释一下吗？这对我很有帮助。这意味着它将反转缩放比例，并从缩放值中获取原始值。你根据训练期间使用的同一个缩放器变换测试数据，然后预测，然后再进行
逆变换逆变换