MinMaxScaler反标准化LSTM单列预测值时报形状不匹配ValueError错误
报错原因定位
你抛出的ValueError本质是scaler记录的输入维度和你反标准化时传入的数组维度不匹配:
- 当初你调用
scaler.fit_transform(values)的时候,传入的是形状为(样本数, 27)的全量数据集,这时候MinMaxScaler会内部记录这27列各自的归一化上下限,默认后续所有inverse_transform操作都必须传入形状为(任意样本数, 27)的数组。 - 你现在传入反标准化的
yhat形状是(18,1),只有1个维度,scaler尝试把这1列的数组广播成27列的时候,发现没有办法把单维数据匹配回27列的原始维度,所以触发了非广播形状不匹配的报错。
可直接落地的解决方案
方案1:单独为目标列创建独立的scaler(推荐)
不要用全量27列的scaler处理目标值的反标准化,你实际只用到1列做训练预测,就单独给这一列建专属的scaler,从根源上避免维度不匹配问题:
# 加载数据后,单独提取你实际用于预测的目标列,比如你现在用的是最后一列 # 切片保持2维形状,避免后续scaler报“期望2维数组”的错误 target_col = values[:, 26:27] target_scaler = MinMaxScaler(feature_range=(0,1)) target_scaled = target_scaler.fit_transform(target_col) # 后续模型预测得到形状为(18,1)的yhat时,直接调用这个scaler做反标准化 yhat1 = target_scaler.inverse_transform(yhat)
这种方式的好处是scaler只记录你实际用到的列的归一化参数,不会因为多余维度的问题抛错,也不用手动拼接空数组。
方案2:复用原全量scaler,手动补全维度
如果不想新建scaler,可以把你的预测值拼接到和原始scaler输入维度匹配的空数组里,满足scaler的输入形状要求:
import numpy as np # 构造和scaler期望形状一致的占位数组:18行、27列 placeholder = np.zeros((yhat.shape[0], 27)) # 把预测值填回当初它对应的原始列位置,也就是你当初选的第26列(从0开始索引) placeholder[:, 26] = yhat.ravel() # 执行反标准化 inverse_result = scaler.inverse_transform(placeholder) # 提取你需要的目标列的反标准化结果 yhat1 = inverse_result[:, 26:27]
注意:填数的时候一定要把预测值放到和scaler记录完全一致的列索引位置,不然会得到错误的反标准化结果
代码可优化点
你现在硬编码列索引选取train_X和train_y的方式很容易出错:
series_to_supervised生成的列是按照原始变量顺序排列的,当你调整n_in、n_out参数的时候,列的位置会整体偏移,硬编码[:,26]、[:,53]很容易因为索引算错取错数据。- 建议直接按照列名筛选你需要的输入特征和预测目标,比如你要只用第27个变量做预测,就筛选列名带
var27(t-1)的作为X,列名是var27(t)的作为Y,不需要手动数列的索引位置。
内容的提问来源于stack exchange,提问作者Hala Hamdoun
相关产品推荐
相关产品推荐

