4、反归一化

问题描述：归一化后使用模型进行预测，将预测的结果反归一化为初始的数据规模，预测值与真实值进行画图比较。

1、将特征和标注进行拆分，分别进行归一化

2、特征的归一化

from sklearn.preprocessing import MinMaxScaler       # 导包
data.name = data.columns     # 获取列名
for i in data.name:
    data[i] = MinMaxScaler().fit_transform(data[i].values.reshape(-1, 1))

3、标注的归一化

from sklearn import preprocessing      # 导包

scaler= preprocessing.MinMaxScaler(feature_range=(-1, 1)).fit(Y)      # Y是标注
Y_scaled = scaler.transform(Y)       # Y_scaled是归一化后的值，此时是 ndarray 类型的值。

4、拆分训练集和测试集

5、使用模型进行预测得到Y_pred

6、将Y_pred进行反归一化，恢复原始的数据规模

Y_ = scaler.inverse_transform(Y_pred.reshape(-1,1))         # 反归一化，此时是ndarray类型的值
Y_ = pd.DataFrame(Y_, columns=['A'])              # 将ndarray转换为df形式，并设置列名

7、画图进行观察预测值和真实值的曲线

plt.figure()       # 设置画板
# Y_true.index = [i for i in range(0, len(...))]       # 重置下标，如果下标不一致可以使用这个句子进行调整
plt.plot(Y_true['A'], label='真实值')     # 真实值绘图
plt.plot(Y_['A'], label='预测值')         # 预测值绘图
plt.legend(bbox_to_anchor=(1.05, 0), loc=3, borderaxespad=0)     # 设置图例，我一般将图例放置在右下角
plt.show()         # 显示图像