如何在scikit学习回归中不标准化目标数据

Question

我试图预测未来的利润数据在一个铜矿企业数据集的csv格式。在

我看了数据：

data = pd.read_csv('data.csv')

我把数据分开：

^{pr2}$

创建svr预测值：

clf_svr= svm.SVR(kernel='rbf')

数据标准化：

from sklearn.preprocessing import StandardScaler
scalerX = StandardScaler().fit(x_train)
scalery = StandardScaler().fit(y_train)

x_train = scalerX.transform(x_train)
y_train = scalery.transform(y_train)
x_test = scalerX.transform(x_test)
y_test = scalery.transform(y_test)

print np.max(x_train), np.min(x_train), np.mean(x_train), np.max(y_train), np.min(y_train), np.mean(y_train)

然后预测：

y_pred=clf.predict(x_test)

并对预测数据进行了标准化处理。我希望预测的数据是原始格式，我该怎么做？在

Answer 1

您应该使用y-scaler的inverse_transform方法。请注意，您可以使用管道更简洁地完成所有这些，如下所示

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR

pipeline = Pipeline([('scaler', StandardScaler()), ('estimator', SVR(kernel="rbf"))])

y_scaler = StandardScaler()
y_train = y_scaler.fit_transform(y_train)
pipeline.fit(x_train, y_train)
y_pred = y_scaler.inverse_transform(pipeline.predict(x_test))

许多人只会在全球范围内扩大目标，而不会太过适应。但你不上当是好事。AFAIK对y数据使用单独的定标器（如代码中所示）是唯一的方法。在