LSTM建模中inverse_transform()维度不匹配报错求助

你用MinMaxScaler拟合的是11个特征的完整数据集，因此inverse_transform要求输入数据的列数必须等于11，但你的trainPredict、trainY只有1列（仅收盘价），维度不匹配导致报错。

有两种可行的修复方式，根据你的需求选择：

方式一：单独对收盘价做归一化（推荐） #

既然你预测的是收盘价，直接单独对收盘价列做归一化，避免多特征维度不匹配问题：

1. 归一化阶段只处理收盘价列：

# 假设数据集里收盘价是第0列或指定列名（比如'close'）
scaler = MinMaxScaler(feature_range=(0,1))
scaled_close = scaler.fit_transform(df[['close']])  # 仅对收盘价列做归一化

# 后续构造数据集时，使用scaled_close（形状为(n_samples,1)）
trainX, trainY = create_dataset(scaled_close, look_back=3)
testX, testY = create_dataset(scaled_test_close, look_back=3)

2. 逆变换时直接传入1列数据即可：

trainPredict = scaler.inverse_transform(trainPredict)                       
trainY = scaler.inverse_transform(trainY.reshape(-1,1)) 
testPredict = scaler.inverse_transform(testPredict) 
testY = scaler.inverse_transform(testY.reshape(-1,1)) 

方式二：构造符合scaler要求的11列数据再逆变换 #

如果必须保留对11个特征的归一化，需要将1列的预测值/真实值填充为11列数据（仅对应收盘价的列有效，其他列补0不影响逆变换结果）：

# 处理训练集预测值和真实值
trainPredict_full = np.zeros((len(trainPredict), 11))
trainPredict_full[:, 0] = trainPredict.flatten()  # 把预测值放到收盘价对应的列（第0列）
trainPredict = scaler.inverse_transform(trainPredict_full)[:, 0]  # 逆变换后提取收盘价列

trainY_full = np.zeros((len(trainY), 11))
trainY_full[:, 0] = trainY.flatten()
trainY = scaler.inverse_transform(trainY_full)[:, 0]

# 测试集同理
testPredict_full = np.zeros((len(testPredict), 11))
testPredict_full[:, 0] = testPredict.flatten()
testPredict = scaler.inverse_transform(testPredict_full)[:, 0]

testY_full = np.zeros((len(testY), 11))
testY_full[:, 0] = testY.flatten()
testY = scaler.inverse_transform(testY_full)[:, 0]

注意看你的create_dataset函数里，a = dataset[i:(i+look_back), 0]只取了第0列（收盘价）作为输入特征，等于没用到另外10个特征。如果要使用全部11个特征训练LSTM，需要修改函数：

def create_dataset(dataset, look_back=1): 
    dataX, dataY = [], [] 
    for i in range(len(dataset)-look_back-1): 
        # 取look_back步的所有11个特征
        a = dataset[i:(i+look_back), :] 
        dataX.append(a) 
        dataY.append(dataset[i + look_back, 0])  # 预测目标还是收盘价（第0列）
    return np.array(dataX), np.array(dataY).reshape(-1, 1) 

修改后trainX的形状会变成(693, 3, 11)，符合LSTM输入要求（样本数，时间步，特征数）。

内容的提问来源于stack exchange，提问作者CK1