具有特征缩放的线性回归

Question

我有一个关于线性回归中的特征缩放的一般性问题。

我有一个包含两年数据的数据集。特定列第一年的数据价值与第二年的完全不同。我假设可能有不同的属性与计算第一年的变量和第二年的变量相关。

无论如何，这是数据集的样子。我将显示每年的前 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，显然它会预测结果为负，但实际上数据只是以某种方式重新缩放。

如果我这样应用特征缩放，我该如何恢复到我的原始数据集来进行预测？

normalize <- function(x){
  return((x-min(x)) / (max(x)-min(x)))
}

scaled_data <- 
  df %>%
  group_by(Date %>%
  mutate(NORMALIZED = normalize(Col1))

Answer 1

当然可以。尽管您自己提供了答案，但也可以将其放入函数中。

这个要给出预测值和原始向量

backtransform <- function(value, x) { value * (max(x) - min(x)) + min(x) }

或者如果您计算并保留最小值和最大值，则

backtransform2 <- function(value, min, max) { value * (max - min) + min }

具有特征缩放的线性回归

Linear Regression With Feature Scaling

regression

r

normalization

rescale