解决模型预测时如何对预测数据归一化问题

解决模型预测时如何对预测数据归一化问题

众说周知,在对模型训练时使用归一化或者标准化操作可以大大提高模型的准确率和效率,但是当我们的模型训练好上线后,怎么对新的预测数据进行归一化呢?

解决办法:保存归一化和标准化参数

训练时,在对训练集进行训练后,将归一化或标准化模型参数保存。

import joblib
from sklearn.preprocessing import MinMaxScaler

data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]


scaler = MinMaxScaler()
scaler = scaler.fit(data)
result = scaler.transform(data)
print(result)

# 保存归一化参数
joblib.dump(scaler, "scaler.pkl")

[[0. 0. ]
[0.25 0.25]
[0.5 0.5 ]
[1. 1. ]]
预测时,在对测试集进行训练前,先加载归一化或标准化模型参数,然后对预测集数据进行归一化或标准化。

import joblib
# 加载归一化参数
scaler = joblib.load('scaler.pkl')
print(scaler.transform([[-0.5, 6]]))

[[0.25 0.25]]
在这里插入图片描述

  • 14
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值