PyMC Marketing自定义目标转换后如何正确反缩放数据？

问题核心是你在标准化后增加了np.abs()操作，丢失了原始标准化值的符号信息，导致默认的反转换逻辑无法还原原始数据。要解决这个问题，需要在自定义类中保存原始数据对应的符号信息，在反转换时重新应用该符号。

修改后的AbsStandardizeTarget类实现 #

import numpy as np
from pymc_marketing.target_transform import StandardizeTarget

class AbsStandardizeTarget(StandardizeTarget):
    def fit(self, y):
        # 先完成父类的拟合逻辑，得到均值和标准差
        super().fit(y)
        # 保存原始数据相对于拟合均值的符号（用于还原时恢复正负）
        self.sign_z = np.sign(y - self.scaler.mean_[0])
        return self
    
    def transform(self, y):
        # 执行父类的标准化逻辑
        z = super().transform(y)
        # 更新当前数据相对于拟合均值的符号
        self.sign_z = np.sign(y - self.scaler.mean_[0])
        # 返回标准化后取绝对值的结果
        return np.abs(z)
    
    def inverse_transform(self, y_transformed):
        # 用保存的符号恢复原始标准化值（z = abs(z) * sign(z)）
        restored_z = y_transformed * self.sign_z
        # 调用父类的反标准化逻辑还原原始数据
        return super().inverse_transform(restored_z)

逻辑说明 #

1. 拟合阶段：在完成StandardScaler的拟合后，计算原始数据相对于拟合均值的符号并保存——因为标准化值z = (y - mean)/std的符号和y - mean完全一致（标准差为正）。
2. 转换阶段：执行标准化后取绝对值，同时更新当前数据的符号信息（适配训练/预测等不同场景）。
3. 反转换阶段：先利用保存的符号恢复原始的标准化值z，再通过StandardScaler的反转换逻辑还原出原始数据。

注意事项 #

• 如果需要处理批量预测数据，确保每次调用transform时都会更新sign_z，保证反转换时符号匹配。
• 若你的业务场景中原始数据的符号和y - mean无关，可根据实际需求调整符号保存的逻辑（比如直接保存原始数据的np.sign(y)）。

内容的提问来源于stack exchange，提问作者Mash