我试图弄清楚如何在使用 RobustScalar 和 Lasso 后取消缩放数据(大概使用 inverse_transform)进行预测。下面的数据只是一个例子。我的实际数据更大、更复杂,但我希望使用 RobustScaler(因为我的数据有异常值)和 Lasso(因为我的数据有许多无用的特征)。
基本上,如果我尝试使用这个模型来预测任何事情,我希望以未缩放的方式进行预测。当我尝试使用示例数据点执行此操作时,我收到一个错误,似乎希望我取消缩放与训练子集大小相同的数据(也称为两个观察值)。我收到以下错误: ValueError: 形状 (1,1) 的不可广播输出操作数与广播形状 (1,2) 不匹配
如何仅取消一个预测的缩放比例?这可能吗?
import pandas as pd
from sklearn.linear_model import Lasso
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import RobustScaler
data = [[100, 1, 50],[500 , 3, 25],[1000 , 10, 100]]
df = pd.DataFrame(data,columns=['Cost','People', 'Supplies'])
X = df[['People', 'Supplies']]
y = df[['Cost']]
#Split
X_train,X_test,y_train,y_test = train_test_split(X,y)
#Scale data
transformer = RobustScaler().fit(X_train)
transformer.transform(X_train)
X_rtrain = RobustScaler().fit_transform(X_train)
y_rtrain = RobustScaler().fit_transform(y_train)
X_rtest = RobustScaler().fit_transform(X_test)
y_rtest = RobustScaler().fit_transform(y_test)
#Fit Train Model
lasso = Lasso()
lasso_alg = lasso.fit(X_rtrain,y_rtrain)
train_score =lasso_alg.score(X_rtrain,y_rtrain)
test_score = lasso_alg.score(X_rtest,y_rtest)
print ("training score:", train_score)
print ("test score:", test_score)
#Predict example
example = [[10,100]]
transformer.inverse_transform(lasso_alg.predict(example).reshape(-1, 1))