我们可以将特征缩放应用于数据集中的“自变量”吗？答案

【问题标题】：Can we apply feature scaling to "independent variable" in a dataset?我们可以将特征缩放应用于数据集中的“自变量”吗？
【发布时间】：2019-02-26 02:30:24
【问题描述】：

我有一个包含 8 个因变量（2 个分类数据）的数据集。我已经应用ExtraTreeClassifier() 来消除一些因变量。我还对 X,y 进行了缩放。

 from sklearn.preprocessing import StandardScaler
 sc = StandardScaler()
 X = sc.fit_transform(X)
 X = sc.transform(X)
 y = sc.fit_transform(y)
 y = sc.transform(y)

在此之后，我像

一样拆分了数据集

from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X_new, encoded2, 
test_size = 0.25, random_state = 0)

现在我正在应用DecisionTreeRegressor 算法进行预测。但我想要实际的预测（现在我得到了缩放值）。怎么做？有没有其他方法可以做到这一点？因为我所做的方式是给 RMSE = 0.02，如果我不是特征缩放因变量 RMSE = 18.4。请建议如何解决此类问题。

【问题讨论】：

标签： python-3.x machine-learning data-science

【解决方案1】：

嗯，首先，缩放目标变量 (y) 不是必需的，但如果你确实缩放它，StandardScaler 和其他各种此类预处理技术都有一个 inverse_transform 函数，通过它你可以得到你的原始值。

来自StandardScaler的文档：

inverse_transform(X[, copy]) 将数据缩减为原始表示

【讨论】：

所以如果我在 y_pred (预测值) 上使用 inverse_transform() ，它会给出原始值（不是缩放一个）吗？？