邢台网站制作哪里做,鹤壁做网站推广,网络营销理论,网站是公司域名是个人可以吗假设我对精度要求很高#xff0c;高到无法容忍有任何误差#xff0c;那么我先将x按照大小排序#xff0c;然后归一化#xff0c;用字典将归一化前后的x存储下来#xff0c;在深度学习时使用归一化后的x进行处理#xff0c;但是最后画图等处理时#xff0c;我用字典取出归…假设我对精度要求很高高到无法容忍有任何误差那么我先将x按照大小排序然后归一化用字典将归一化前后的x存储下来在深度学习时使用归一化后的x进行处理但是最后画图等处理时我用字典取出归一化之前对应的值。 思路x [3, 4, 5, 1, 2, 3]先排序然后用scaler StandardScaler() x_scaled scaler.fit_transform(x.reshape(-1, 1)) 这种方法归一化得到结果, 然后采用1个字典能存储归一化之后的值归一化之前的值这种字典以及归一化之前的值归一化之后的值这种字典。 首先将 x 数组排序并使用 StandardScaler 进行归一化。接着创建两个字典
归一化后的值归一化之前的值scaled_to_original归一化之前的值归一化之后的值original_to_scaled
下面是实现的示例代码
import numpy as np
from sklearn.preprocessing import StandardScaler# 原始数据
x np.array([3, 4, 5, 1, 2, 3])# 排序数据
x_sorted np.sort(x)# 使用 StandardScaler 进行归一化
scaler StandardScaler()
x_scaled scaler.fit_transform(x_sorted.reshape(-1, 1)).flatten()# 创建字典存储归一化值到原始值的映射
scaled_to_original {scaled: original for scaled, original in zip(x_scaled, x_sorted)}# 创建字典存储原始值到归一化值的映射
original_to_scaled {original: scaled for original, scaled in zip(x_sorted, x_scaled)}# 打印结果
print(归一化后的值归一化之前的值 字典:, scaled_to_original)
print(归一化之前的值归一化后的值 字典:, original_to_scaled)# 示例使用归一化值查找原始值
example_scaled_value x_scaled[0]
example_original_value scaled_to_original[example_scaled_value]
print(f归一化值 {example_scaled_value} 对应的原始值: {example_original_value})# 示例使用原始值查找归一化值
example_original_value 3
example_scaled_value original_to_scaled[example_original_value]
print(f原始值 {example_original_value} 对应的归一化值: {example_scaled_value})代码说明
数据排序x_sorted np.sort(x) 会将 x 中的元素排序。归一化scaler.fit_transform() 方法对排序后的数据进行标准化返回标准化后的结果。字典生成 scaled_to_original 字典将归一化后的值作为键原始值作为值。original_to_scaled 字典将原始值作为键归一化后的值作为值。
运行结果
当运行上述代码时输出结果会显示两个字典的内容并且可以通过这两个字典进行值的查找。
示例输出
输出结果
归一化后的值归一化之前的值 字典: {-1.5491933384829668: 1, -0.7745966692414834: 2, 0.0: 3, 0.7745966692414834: 4, 1.5491933384829668: 5}
归一化之前的值归一化后的值 字典: {1: -1.5491933384829668, 2: -0.7745966692414834, 3: 0.0, 4: 0.7745966692414834, 5: 1.5491933384829668}
归一化值 -1.5491933384829668 对应的原始值: 1
原始值 3 对应的归一化值: 0.0由于 3 在 x 中出现了两次因此在字典中将其映射到的归一化值是相同的。 一个宽松的版本
使用插值方法可以使用线性插值来获取最接近的原始值而不是严格寻找对应的值。确保预测值在范围内确保生成的 predicted_normalized 值确实在归一化范围内。
以下是采用线性插值的实现方式
示例代码
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from scipy.interpolate import interp1d# 生成数据
x np.random.rand(100) * 100 # 生成100个随机数范围在0到100之间# 创建 MinMaxScaler 对象
scaler MinMaxScaler()# 对数据进行排序
x_sorted np.sort(x)# 归一化数据
x_normalized scaler.fit_transform(x_sorted.reshape(-1, 1)).flatten()# 创建字典存储原始值与归一化值的对应关系
value_map {original: normalized for original, normalized in zip(x_sorted, x_normalized)}# 深度学习模型处理示例代码省略# 假设预测的归一化值为 predicted_normalized
predicted_normalized np.random.rand(10) # 示例10个随机生成的归一化值# 使用插值来反归一化
# 创建插值函数
interp_function interp1d(x_normalized, x_sorted, bounds_errorFalse, fill_valueextrapolate)# 获取对应的原始值
predicted_original interp_function(predicted_normalized)print(归一化后的预测值:, predicted_normalized)
print(对应的原始值:, predicted_original)输出
归一化后的预测值: [0.01215447 0.96987883 0.04315991 0.89114311 0.52770111 0.99296480.07379656 0.55385428 0.96930254 0.52309784]
对应的原始值: [ 2.27449952 96.09964077 5.31200141 88.38615894 52.78092728 98.361298158.31337469 55.34306884 96.04318341 52.32996038]说明
插值函数interp1d 从 scipy.interpolate 中导入可以根据归一化值计算相应的原始值。通过设置 bounds_errorFalse 和 fill_valueextrapolate可以处理在 value_map.values() 中找不到的值即插值和外推。通过使用插值技术可以避免在查找字典中直接索引可能不存在的归一化值从而确保代码的健壮性和有效性。适用性这种方法适用于在归一化数据中查找最接近的原始值确保获得合理的输出而不是直接找不到值时导致错误。
