MinMax Scaler 和 TensorFlow

Posted 2023-03-12

【中文标题】MinMax Scaler 和 TensorFlow

【英文标题】：MinMax Scaler and TensorFlow

【发布时间】：2021-11-05 09:10:27

【问题描述】：

我正在使用 Sklearn 和 Tensorflow。我做了一个成功的预测，现在我遇到了预测值反转的问题。我想做一个倒置，因为我想从这个模型中看到指标。一开始，我使用 Sklearn 进行了这种数据转换。

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range = (0,1))
dataset = scaler.fit_transform(df)

type(dataset),dataset.shape
(numpy.ndarray, (425, 3))

在成功执行 TensorFlow 模型后，下一步就是预测。我用代码行预测

trainPredict = model.predict(trainX)
testPredict = model.predict(testX)

trainPredict.shape,testPredict.shape
((406, 7, 1), (58, 7, 1))

type(trainPredict),type(testPredict)
(numpy.ndarray, numpy.ndarray)

所以下一步是反转。我尝试用这行代码做反转

# invert predictions
trainPredict_ = scaler.inverse_transform(trainPredict)
trainY_ = scaler.inverse_transform([trainY])
testPredict_ = scaler.inverse_transform(testPredict)
testY_ = scaler.inverse_transform([testY])

执行最后一个代码块后，我收到此错误：

ValueError: Found array with dim 3. Estimator expected <= 2.

【参考方案1】：

您不需要缩放目标变量。看看这个 Kaggle discussion，所有参与者都反对缩放目标变量。我也不缩放目标变量。但是如果我们看一下这个堆栈溢出discussion，这里有些人说要缩放目标，大多数人都反对。即使您在互联网上搜索它，大多数人也会反对缩放目标值。 如果你缩放你的目标值，你可能会得到更低的 rmse，但这只是因为目标彼此非常接近。因此，较低的 rmse 是一种错觉。它没有显示我们模型的真实性能。换句话说，缩放目标对我们的模型没有太大影响。 所以，我给你的建议是先分离特征和目标，然后只缩放特征，而不是目标。

y = train['target_column_name']
X = train.loc[:, train.columns != 'target_column_name']

scaler = MinMaxScaler()
scaler.fit(X)
X = scaler.transform(X)
test = scaler.transform(test)

所以，简而言之，我想说的是不要缩放目标。就这样吧。

或者，如果您想缩放目标，请单独缩放它。这样，在预测之后，逆向缩放是可能的。