与输入具有不同维度的反向缩放输出数据答案

【问题标题】：Inverse scaling output data with different dimension from the input与输入具有不同维度的反向缩放输出数据
【发布时间】：2021-07-31 17:40:02
【问题描述】：

我正在使用神经网络（监督学习）来训练 Safety-Gym 中的代理。收集数据后，我需要在输入目标中缩放和划分它们。我对整个数据集执行缩放：

scaler = StandardScaler()
scaler.fit(Dataset)
scaler.transform(Dataset)

然后我使用数据集（numpy 数组）上的切片将我的数据集分配到输入目标中。

我认为我不需要在训练期间（即计算损失函数时）对输出进行逆变换，但我认为当我想对环境采取行动时需要对其进行逆变换。问题是输出的维度与数据集不同，所以我不能使用 inverse_transform 方法。

正确的做法是什么？

【问题讨论】：

【解决方案1】：

是的。你说得对。您不需要在训练期间进行逆变换。

在学习和训练模型之后，您应该使用相同的缩放器对您的预测结果进行逆变换，以便您可以将其与您的真实数据进行比较。

最后，您应该在部署模型时对新传入数据使用缩放器。

提示：可以使用

scaler.fit_transform() 
scaler.inverse_transform()

【讨论】：

我的数据集有 n 行 101 列，而我的网络的输出有 n 行和 98 列。我想知道，在给定不同维度的情况下，无法使用 Inverse_Transform 函数，访问 Scaler 对象并获取 98 列的平均值和 STD 偏差，然后手动计算逆变换是否有意义。我希望我已经清楚了：D
我之前也遇到过同样的问题。我只是通过添加另一列零来确保它们具有相同的形状。请注意，缩放器按列工作，因此如果您添加具有任何值的列或者行数存在差异，则不会有问题。