我创建了一个管道，如下所示（使用Keras Scikit-Learn API https://keras.io/scikit-learn-api/)
estimators = []
estimators.append(('standardize', StandardScaler()))
estimators.append(('mlp', KerasRegressor(build_fn=baseline_model, nb_epoch=50, batch_size=5, verbose=0)))
pipeline = Pipeline(estimators)
并适合它
pipeline.fit(trainX,trainY)
如果我预测pipline.predict(testX)，我（相信）我得到了标准化的预测。
我如何预测testX以便predictedY它的比例与实际相同（未触及）testY（即不是标准化预测，而是实际值）？我看到有一个inverse_transform管道方法 http://scikit-learn.org/stable/modules/generated/sklearn.pipeline.Pipeline.html#sklearn.pipeline.Pipeline.inverse_transform，但是似乎仅用于恢复转换后的X.
确切地。管道中的 StandardScaler() 仅映射 pipeline.fit(trainX,trainY) 的输入 (trainX)。
因此，如果您的模型适合近似 trainY 并且您还需要对其进行标准化，则应该将 trainY 映射为
scalerY = StandardScaler().fit(trainY) # fit y scaler
pipeline.fit(trainX, scalerY.transform(trainY)) # fit your pipeline to scaled Y
testY = scalerY.inverse_transform(pipeline.predict(testX)) # predict and rescale
inverse_transform() 函数考虑 StandardScaler().fit() 中计算的标准差和平均值来映射其值。
正如您所提到的，您始终可以在不缩放 Y 的情况下拟合模型，但这可能很危险，具体取决于您的数据，因为它可能导致模型过度拟合。你必须测试一下；）
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
