我对线性回归中的特征缩放有一个普遍的疑问。
我有一个两年数据的数据集。特定列的第一年的数据值与第二年完全不同。我假设可能存在与计算第一年变量与第二年相关的不同属性。
无论如何,这是数据集的样子。我将展示每年的前6行:
Date Col1
2015-01-01 1500
2015-01-02 1432
2015-01-03 1234
2015-01-04 1324
2015-01-05 1532
2015-01-06 1424
.
.
.
2016-01-01 35
2016-01-02 31
2016-01-03 29
2016-01-04 19
2016-01-05 22
2016-01-06 32
当我想预测这个数据集时,很明显它会预测结果是负面的,但实际上数据刚刚以某种方式重新调整。
如果我这样应用特征缩放,如何恢复到原始数据集以进行预测?
normalize <- function(x){
return((x-min(x)) / (max(x)-min(x)))
}
scaled_data <-
df %>%
group_by(Date %>%
mutate(NORMALIZED = normalize(Col1))
答案 0 :(得分:2)
不确定。不管你自己提供答案,还是可以把它放在一个功能中。
应该给出这个预测值和原始矢量
backtransform <- function(value, x) { value * (max(x) - min(x)) + min(x) }
或者如果您计算并保持最小值和最大值
backtransform2 <- function(value, min, max) { value * (max - min) + min }