Lors de la formation d'un modèle, par exemple la régression linéaire, nous pouvons effectuer une normalisation, comme MinMaxScaler, sur le train d'un jeu de données de test. Après avoir obtenu un modèle de formation et l'utiliser pour faire des prédictions, et réduire les prédictions à la représentation d'origine.N'existe-t-il pas de méthode "reverse_transform" pour un scaler comme MinMaxScaler dans spark?
En python, il existe une méthode "inverse_transform". Par exemple:
from sklearn.preprocessing import MinMaxScaler
scalerModel.inverse_transform
from sklearn.preprocessing import MinMaxScaler
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
scaler = MinMaxScaler()
MinMaxScaler(copy=True, feature_range=(0, 1))
print(data)
dataScaled = scaler.fit(data).transform(data)
print(dataScaled)
scaler.inverse_transform(dataScaled)
Existe-t-il une méthode similaire dans l'étincelle?
J'ai beaucoup googlé, mais je n'ai pas trouvé de réponse. Quelqu'un peut-il me donner quelques suggestions? Merci beaucoup!
Bonjour et bienvenue sur StackOverflow. Cela vous dérangerait-il de passer en revue votre article et de faire quelques modifications: certaines phrases de la façon dont elles sont rédigées n'ont pas beaucoup de sens et pourraient faire en sorte que les gens oublient votre question. Vous pouvez également utiliser des blocs de code pour rendre vos extraits de code plus attrayants. –