y_pred = y_scaler.inverse_transform(y_pred) #print(f'真实y的形状:{y_test.shape},预测y的形状:{y_pred.shape}') if show_fit: plot_fit(y_test, y_pred) e=time.time() print(f"运行时间为{round(e-s,3)}") df_preds_all[mode]=y_pred.
train_scaled=scaler.fit_transform(train_prices) #创建训练数据集 X_train=[] y_train=[] timesteps=30#时间步长,可根据需求进行调整 foriinrange(timesteps,len(train_scaled)): X_train.append(train_scaled[i-timesteps:i,0]) y_train.append(train_scaled[i,0]) X_train,y_train=np.array(X_tr...
scaler = scaler.fit(data) #fit,在这里本质是生成min(x)和max(x) result = scaler.transform(data) #通过接口导出结果 result result_= scaler.fit_transform(data) #训练和导出结果一步达成 scaler.inverse_transform(result)#将归一化后的结果逆转 #使用MinMaxScaler的参数feature_range实现将数据归一化到[0,1...
# 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)...
接下来,我们将使用inverse_transform()函数对归一化后的数据进行反归一化: # 对数据进行反归一化original_data=scaler.inverse_transform(normalized_data) 1. 2. 现在,我们已经成功将归一化后的数据重新转换为原始数据的范围。 array([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]]) ...
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。
predicted_demand=scaler.inverse_transform(predicted_demand)returnpredicted_demand # 假设我们有新的输入数据 new_input_data=np.array([[25,60,14,5,7]])# 温度、湿度、小时、日、月 # 预测未来的能源需求 predicted_demand=predict_energy_demand(model,scaler,new_input_data)print(f'Predicted energy demand...
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...
inv_yhat1 = scaler.inverse_transform(inv_yhat0) inv_yhat = inv_yhat1[:,-1] # 原始y逆标准化 test_y = test_y.reshape(len(test_y),1) inv_y0 = concatenate((test_X,test_y),axis=1) inv_y1 = scaler.inverse_transform(inv_y0) inv_y = inv_y1[:,-1] # 计算RMSE rmse = sqrt(...
inv_yhat = scaler.inverse_transform(inv_yhat) inv_yhat = inv_yhat[:, 0] inv_yhat = np.array(inv_yhat) #真实数据逆缩放 invert scaling for actual test_y = test_y.reshape((len(test_y), 1)) inv_y = concatenate((test_y, test_X[:, 1:]), axis=1) ...