嘿，这个问题我之前调模型时也踩过坑，核心是你搞混了输入特征标准化器和预测结果逆变换的对应关系！

错误根源 #

你用的sc是拟合在2维输入特征（X_train，形状(样本数,2)）上的StandardScaler，它内部的scale_和mean_都是长度为2的数组，对应salary和age两个特征的缩放参数。但你的sample_predict是模型输出的预测结果（形状(1,1)）——这应该是目标变量（比如回归任务的预测值），用处理输入的scaler去逆变换1维的目标值，必然会触发维度不匹配的广播错误。

正确处理方式 #

分两种情况来解决：

情况1：你没有对目标变量做标准化 #

如果训练时你只标准化了输入X，没有处理目标y，那根本不需要对预测结果做逆变换，直接输出模型的预测值即可，删掉sample_predict = sc.inverse_transform(sample_predict)这行代码就行。

情况2：你训练时对目标变量y做了标准化 #

如果训练时为了提升模型效果，对y也做了标准化，那必须给y单独分配一个StandardScaler，不能复用X的scaler。完整的正确流程代码如下：

from sklearn.preprocessing import StandardScaler
import pandas as pd

# ---------------------- 训练阶段 ----------------------
# 处理输入特征X（用单独的scaler）
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)

# 处理目标变量y（用另一个独立的scaler）
# 注意：y需要转成2维数组才能被StandardScaler处理
sc_y = StandardScaler()
y_train = sc_y.fit_transform(y_train.values.reshape(-1, 1))

# 训练你的模型（这里以线性回归为例，替换成你自己的模型）
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)

# ---------------------- 预测阶段 ----------------------
sample = pd.DataFrame({'salary': [1211], 'age': [30]})
# 用X的scaler标准化输入样本
sample_scaled = sc_X.transform(sample)
# 得到标准化后的预测结果
sample_predict_scaled = model.predict(sample_scaled)
# 用y的scaler逆变换回原始数据尺度
sample_predict = sc_y.inverse_transform(sample_predict_scaled)
print(sample_predict)

关键提醒 #

• 输入特征和目标变量的标准化是两个独立的过程，必须用不同的StandardScaler实例处理，避免维度不匹配问题。
• 如果是分类任务，目标变量是离散类别，完全不需要做标准化，也就不存在逆变换的需求。

内容的提问来源于stack exchange，提问作者NormA