深度学习广播错误求助：形状不匹配问题解决方法

你用MinMaxScaler拟合了2列特征（feature1和feature2），该scaler默认要求逆变换的输入也必须是2列数据，但你的预测结果仅对应feature1，只有1列，形状不匹配导致广播错误。

以下两种方法均可解决该问题：

方案1：构造匹配维度的输入执行逆变换 #

scaler对每个特征的缩放逻辑是独立的，我们可以构造一个包含2列的数组，将预测值放在对应feature1的第一列，第二列填充任意值（不影响第一列的逆变换结果），之后提取第一列即可：

# 步骤8修改后的代码
# 构造与scaler拟合时同维度的数组，第二列填充0
train_pred_2col = np.hstack([train_predictions, np.zeros_like(train_predictions)])
train_predictions = scaler.inverse_transform(train_pred_2col)[:, 0].flatten()

test_pred_2col = np.hstack([test_predictions, np.zeros_like(test_predictions)])
test_predictions = scaler.inverse_transform(test_pred_2col)[:, 0].flatten()

print("Step 8")
print("train_predictions after inversion", train_predictions.shape)
print("test_predictions after inversion", test_predictions.shape)

方案2：手动利用scaler参数执行逆变换 #

MinMaxScaler的缩放公式为：X_scaled = (X - X_min) / (X_max - X_min)，逆变换公式为：X = X_scaled * (X_max - X_min) + X_min。我们可以直接提取feature1对应的缩放参数计算：

# 步骤8修改后的代码
# 获取feature1对应的min和scale参数
feature1_min = scaler.min_[0]
feature1_scale = scaler.scale_[0]

# 手动执行逆变换
train_predictions = (train_predictions.flatten() / feature1_scale) + feature1_min
test_predictions = (test_predictions.flatten() / feature1_scale) + feature1_min

print("Step 8")
print("train_predictions after inversion", train_predictions.shape)
print("test_predictions after inversion", test_predictions.shape)

如果模型仅需预测feature1，可以为每个特征单独训练scaler，从根源避免维度匹配问题：

# 修改步骤3的代码
scaler_feature1 = MinMaxScaler()
scaler_feature2 = MinMaxScaler()

# 分别对两个特征做归一化
train_feature1_scaled = scaler_feature1.fit_transform(train_data[['feature1']])
train_feature2_scaled = scaler_feature2.fit_transform(train_data[['feature2']])
train_data_scaled = np.hstack([train_feature1_scaled, train_feature2_scaled])

# 测试集同理处理
test_feature1_scaled = scaler_feature1.transform(test_data[['feature1']])
test_feature2_scaled = scaler_feature2.transform(test_data[['feature2']])
test_data_scaled = np.hstack([test_feature1_scaled, test_feature2_scaled])

后续对预测值逆变换时，直接使用scaler_feature1.inverse_transform(train_predictions)即可。

内容的提问来源于stack exchange，提问作者Oliver