使用Sklearn的MinMaxScaler对TensorFlow预测值反转换报错如何解决

• Sklearn的MinMaxScaler仅支持输入维度≤2的数组执行变换/反变换，你的trainPredict/testPredict是时序模型输出的3维数组，格式为(样本数, 时间步长, 输出特征数)，不符合输入要求
• 你训练scaler时用的原始数据集是3个特征，反变换时输入的数组特征数也必须和训练时一致，否则也会触发维度错误

import numpy as np

# 1. 把3维预测结果转为2维：(样本数*时间步, 1)
trainPredict_2d = trainPredict.reshape(-1, 1)
testPredict_2d = testPredict.reshape(-1, 1)

# 2. 补全特征列：因为scaler是在3特征数据集上训练的，需要构造和训练时特征数一致的数组
# 假设你的预测值对应原始数据集的第0列，就把另外两列补0即可（反变换时只有目标列的数值有效）
trainPredict_full = np.zeros(shape=(len(trainPredict_2d), 3))
trainPredict_full[:,0] = trainPredict_2d[:,0] # 0对应你目标特征的原始列索引，按需修改

testPredict_full = np.zeros(shape=(len(testPredict_2d), 3))
testPredict_full[:,0] = testPredict_2d[:,0]

# 3. 执行反变换，再提取目标列的结果
trainPredict_ = scaler.inverse_transform(trainPredict_full)[:,0]
testPredict_ = scaler.inverse_transform(testPredict_full)[:,0]

# 同样处理trainY和testY，先确认维度，如果是3维也先reshape成2维，再补全特征后反变换
trainY_2d = trainY.reshape(-1,1)
trainY_full = np.zeros(shape=(len(trainY_2d), 3))
trainY_full[:,0] = trainY_2d[:,0]
trainY_ = scaler.inverse_transform(trainY_full)[:,0]

testY_2d = testY.reshape(-1,1)
testY_full = np.zeros(shape=(len(testY_2d), 3))
testY_full[:,0] = testY_2d[:,0]
testY_ = scaler.inverse_transform(testY_full)[:,0]

• 上述代码中目标特征的列索引请根据你自己的数据集实际情况修改，如果你预测的是原始数据的第2列，就把[:,0]改成[:,2]
• 如果你需要反变换后保留原来的(样本数, 时间步)维度，可在提取目标列后再reshape回对应形状，例如：trainPredict_ = trainPredict_.reshape(406,7)
• 如果你的训练和预测只用到了单个特征，建议在最初训练scaler的时候就只传入目标特征列，这样后续反变换不需要补其他特征列，代码更简洁。

内容的提问来源于stack exchange，提问作者silent_hunter