Question

我目前正在使用MinMaxScaler()，但是StandardScaler()对我来说也是一样。我究竟做错了什么？我的功能列表也发生了同样的情况。其中一些甚至还没有关闭？

test_labels

array([[1100.  ,    0.05,    0.69],
       [1095.  ,    0.15,    1.2 ],
       [1097.  ,    0.13,    1.14],
       [1094.  ,    0.12,    1.15]])

MinMax_scaler = MinMaxScaler(feature_range=(-1, 1))
test_labels_MinMax = MinMax_scaler.fit_transform(test_labels)

test_labels_MinMax

array([[ 1.        , -1.        , -1.        ],
       [-0.66666667,  1.        ,  1.        ],
       [ 0.        ,  0.6       ,  0.76470588],
       [-1.        ,  0.4       ,  0.80392157]])

MinMax_scaler.inverse_transform(test_labels_MinMax)

array([[1101.        ,    0.05      ,    0.4       ],
       [1100.16666667,    1.05      ,    1.4       ],
       [1100.5       ,    0.85      ,    1.28235294],
       [1100.        ,    0.75      ,    1.30196078]])

Answer 1

如果我在空笔记本上运行相同的脚本：

import numpy as np
test_labels = np.array([[1100.  ,    0.05,    0.69],
       [1095.  ,    0.15,    1.2 ],
       [1097.  ,    0.13,    1.14],
       [1094.  ,    0.12,    1.15]])
from sklearn.preprocessing import MinMaxScaler
MinMax_scaler = MinMaxScaler(feature_range=(-1, 1))
test_labels_MinMax = MinMax_scaler.fit_transform(test_labels)
MinMax_scaler.inverse_transform(test_labels_MinMax)

它给了我确切的匹配结果：

array([[1.100e+03, 5.000e-02, 6.900e-01],
       [1.095e+03, 1.500e-01, 1.200e+00],
       [1.097e+03, 1.300e-01, 1.140e+00],
       [1.094e+03, 1.200e-01, 1.150e+00]])

是不是您在两者之间使用MinMax_scaler，然后以错误的拟合方式应用了它？

sklearn-为什么这不能正确缩放？

1 个答案: