如何缩放训练模型的输入数据？

Posted 2023-03-12

【中文标题】如何缩放训练模型的输入数据？

【英文标题】：How to scale the input data for trained model?

【发布时间】：2020-02-08 04:04:03

【问题描述】：

我有一个训练有素的模型，它使用回归来预测房价。它在标准化数据集（来自 sklearn 的 StandatdScaler）上进行了训练。我现在如何在不同的 python 程序中缩放我的模型输入（一个例子）？我不能在输入上使用 StandardScaler，因为所有功能都会减少到 0（MinMaxScaler 也不起作用，还尝试从训练脚本保存和加载缩放器 - 不起作用）。那么，如何扩展我的输入以使特征不会为 0，从而使模型能够正确预测价格？

【问题讨论】：

简单的回答：你不能。至少在没有其余数据的情况下不会。在将数据拆分为训练/测试/验证集等之前始终使用缩放。您必须将StandardScaler 应用于您的训练数据和单个示例

是的，所以我的问题的答案是使用 fit 然后在 StandardScaler 中进行转换，而不是立即使用 fit_transform

【参考方案1】：

你所描述的用词自相矛盾。缩放是指数据范围；单个数据没有“范围”；这是一个重点。

您似乎要问的是如何缩放输入数据以适应您在训练时所做的翻译。这里的答案再次简单明了：您必须使用训练时应用的相同翻译功能。标准做法是恢复模型的摄取（即反转该缩放函数）；如果您没有这样做，并且您没有记下该函数的系数，那么您就没有将相同的翻译应用于未来输入所需的信息——简而言之，您的训练模型并不是特别有用.

您可以尝试通过在原始数据集上运行缩放函数来恢复系数，确保输出结果函数。然后您可以将该函数应用于您的输入示例。