train_prices_scaled=scaler.inverse_transform(train_scaled) test_prices_scaled=scaler.inverse_transform(test_scaled) #反归一化预测结果 predicted_prices_scaled=scaler.inverse_transform(predicted_prices) #创建日期索引 train_
步骤3:预处理数据 scaler = MinMaxScaler(feature_range=(0, 1)) scaled_data = scaler.fit_transform(df["Close"].values.reshape(-1, 1)) 为了准备训练数据,我们使用 scikit-learn 中的 MinMaxScaler 将收盘价缩放到 0 到 1 之间。缩放数据有助于模型在训练期间更快地收敛。 第4 步:将数据分为训练集和...
# 进行预测train_predict=model.predict(X_train)test_predict=model.predict(X_test)# 反标准化预测结果train_predict=scaler.inverse_transform(train_predict)test_predict=scaler.inverse_transform(test_predict)# 绘制预测结果plt.figure(figsize=(10,6))plt.plot(df['Datetime'],scaler.inverse_transform(data)...
4. 完整代码示例 importpandasaspdfromsklearn.preprocessingimportMinMaxScaler# 读取数据data=pd.read_csv('data.csv')# 数据归一化scaler=MinMaxScaler()data_normalized=scaler.fit_transform(data)# 归一化后的数据预览print(data_normalized)# 数据反归一化data_original=scaler.inverse_transform(data_normalized)# ...
使用inverse_transform方法进行反归一化操作,代码如下: # 使用inverse_transform进行反归一化操作X_original=scaler.inverse_transform(X_normalized) 1. 2. 在上面的代码中,我们使用inverse_transform方法将归一化后的数据X_normalized还原为原始数据并保存在X_original中。
inversed = scaler.inverse_transform(normalized) for i in range(5): print(inversed[i]) 运行示例将打印加载的数据集中的前5行,以规范化的形式显示相同的5个值,然后使用逆变换将值返回原始比例。 我们也可以看到数据集的最小值和最大值分别是0和26.3。
这样就可以使用 inverse_transform 函数。 pred=scaler.inverse_transform(np.reshape(prediction_copies_array,(len(prediction),5)))[:,0] 但是逆变换后的第一列是我们需要的,所以我们在最后使用了 → [:,0]。 现在将这个 pred 值与 testY 进行比较,但是 testY 也是按比例缩放的,也需要使用与上述相同的代码...
[0])# 读取保存的模型model = joblib.load('Model.pkl')# 最终预测结果preds = model.predict(r[1])# 反归一化或标准化,不过出bug了,不用# for cols in range(0, len(preds)):# preds[cols] = scaler.inverse_transform(preds[cols])# sns.lineplot(data=preds)# plt.show()# 打印结果到控制台...
由于我们对训练数据集进行了标准化,因此预测值也进行了标准化。我们需要将归一化的预测值转换为实际的预测值。我们可以通过将规范化的值传递给用于规范化数据集的最小/最大缩放器对象的inverse_transform方法来实现。 actual_predictions = scaler.inverse_transform(np.array(test_inputs[train_window:] ).reshape(-...
OHCL_avg = scaler.inverse_transform(OHCL_avg)plt.plot(OHCL_avg, ‘g’, label=’Orginal Dataset’)plt.plot(trainPredictPlot, ‘r’, label=’TrainingSet’)plt.plot(testPredictPlot, ‘b’, label=’Predicted price/testset’)plt.title(“ Bitcoin Predicted Prices”)plt.xlabel(‘Time’, font...