如何在预测后对数据进行反归一化处理？

Question

我有一个数据集，包含2个特征（价格和成交量）和1个预测变量（价格），并使用LTSM模型根据先前的价格数据来预测下一个价格。

首先，我对数据集进行缩放处理：

#Scale the data
scaler = MinMaxScaler(feature_range=(0,1))
scaled_data = scaler.fit_transform(dataset)

最后我想将其还原为原始状态：

#Get the models predicted price values
predictions = model.predict(x_test)
predictions = scaler.inverse_transform(predictions)

但是这样做不起作用，我得到了这个错误:

ValueError: non-broadcastable output operand with shape (400,1) doesn't match the broadcast shape (400,2)

- Dmitry Isakov

Answer 1

这个错误的意思是：你已经对两个特征进行了缩放，即价格和数量，它们的形状为（400，2），但是在取消缩放时，你只提供了形状为（400，1）的预测价格。

一个简单的解决方案是使用两个单独的缩放器——一个用于取消缩放响应变量，即价格（以及相关的输入特征，即价格），另一个用于其余特征。

- jdsurya

Answer 2

我决定向预测数据集添加零列，对其进行反缩放，然后删除未使用的列。虽然有点愚蠢但是这对我很有效 )

- Dmitry Isakov

---

它“工作”（即不会产生任何编码错误）并不意味着它是正确的。请参阅其他答案，了解您实际需要做什么（您不应该使用特征缩放器的反转来取消缩放预测）。 - desertnaut

在 LSTM 时间序列预测中，输出与输入处于相同的空间。旧的价格变成了新的价格。 - Dmitry Isakov

@DmitryIsakov 的观察与我相同。我不确定缩放器是否适用于跨列，但通过将用于使 LSTM 预测价格的其他特征列清零，您可以将预测的价格还原为可提供实际入场/出场点的内容。 - j03m

Answer 3

你试过这个吗：

predictions = scaler.inverse_transform(predictions.reshape(-1,1)).reshape(-1)

- Pierre