一旦我使用 sklearn l2 归一化器对数据进行归一化并将其用作训练数据： 如何将预测输出转回“原始”形状？
在我的示例中，我使用标准化的房价作为 y，使用标准化的居住空间作为 x。每个用于拟合自己的 X_ 和 Y_Normalizer。
因此y_predict也处于标准化形状，我如何变成原始原始货币状态？
谢谢。
【问题讨论】：
标签： python machine-learning scikit-learn normalization standardized
如果您谈论的是sklearn.preprocessing.Normalizer，它可以标准化矩阵线，不幸的是，除非您将它们手动存储在某个地方，否则无法恢复原始规范。
如果您使用sklearn.preprocessing.StandardScaler，它对列进行规范化，那么您可以获得返回该缩放器属性所需的值（mean_，如果with_mean设置为True 和 std_)
如果您在管道中使用规范化器，则无需担心这一点，因为您不会就地修改数据：
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import Normalizer
# classifier example
from sklearn.svm import SVC
pipeline = make_pipeline(Normalizer(), SVC())
【讨论】：
非常感谢您的回答，我之前不知道管道功能
对于 L2 标准化的情况，您可以手动进行。 这是一个小数组的示例：
x = np.array([5, 8 , 12, 15])
#Using Sklearn
normalizer_x = preprocessing.Normalizer(norm = "l2").fit(x)
x_norm = normalizer_x.transform(x)[0]
print x_norm
>array([ 0.23363466, 0.37381545, 0.56072318, 0.70090397])
或者用平方和的平方根的权重手动做：
#Manually
w = np.sqrt(sum(x**2))
x_norm2 = x/w
print x_norm2
>array([ 0.23363466, 0.37381545, 0.56072318, 0.70090397])
因此，将它们“返回”为原始甲酸盐很简单，只需乘以“w”即可。
【讨论】：