深度学习：如何使用skLearn缩放预测数据-MinMaxScaler（）

Question

我正在创建一个神经网络来对音乐进行降噪。

模型的输入是一个从0到1缩放的数组。这是使用sklearn MinMaxScaler实现的。数据的原始范围是-1到1。模型的输出也是一个从0到1缩放的数组。

但是，在预测信息时，我无法将数据缩放回-1到1。

我的代码类似于：

data = load(data_path)
scaler = MinMaxScaler(feature_range = (0,1))
data = data.reshape(-1,1)
data = scaler.fit_transform(data)

model = load_model(model_path)
predicted_data = model.predict(data)

predicted_data = scaler.inverse_transform(predicted_data)

但是我收到错误：

This MinMaxScaler instance is not fitted yet. Call 'fit' with appropriate arguments before using this method.

但是数据已经适合，我不想再次适合它。

为什么我会收到此错误？ MinMaxScaler仍然不应该对不适合的数据进行inverse_transform吗？

关于此错误是否有任何建议？

Answer 1

错误说明了一切，您需要分别调用fit和transform方法，而不仅仅是fit_transform。

data = load(data_path)
data = data.reshape(-1, 1)
scaler = MinMaxScaler(feature_range = (0,1)).fit(data)
data = scaler.transform(data)

model = load_model(model_path)
predicted_data = model.predict(data)

predicted_data = scaler.inverse_transform(predicted_data)