我正在用Python开发一个预测模型，基于从2010年q-1开始的前45个季度的历史数据，我正在使用LSTM进行预测，同时尝试实现下面这行代码：
y_perd_future = scaler.inverse_transform(forecast_copies)[:,0]
X = X.copy()
936 if self.with_std:
937 X *= self.scale_
938 if self.with_mean:
939 X += self.mean_
ValueError: operands could not be broadcast together with shapes (31,630,3) (32,) (31,630,3)请不要给予我小的自我创建数组的例子。我正在寻找大数据环境下的建议。
谨致问候
4条答案
按热度按时间a5g8bdjr1#
我认为问题是一个Tensor有31个元素（31，630，3），而另一个有32个元素（32，），因此它不能被广播，至少有一个维度必须匹配。
cnjp1d6j2#
我认为问题是什么先被缩放，
首先，始终将规模、目标和功能分开
我总是先标度自变量，然后再标度目标变量，
我不知道为什么，但是MinMaxscaler或任何缩放技术都考虑到了最后缩放的内容。
预测后，您可以使用
inverse_transform来计算。最好将目标和特性分开，在自变量之后缩放目标。希望这能解决你的问题，如果能，请告诉我。
如果先缩放要素，后缩放目标，则会给予广播错误
q5iwbnjs3#
最好使用两个不同的缩放示例，例如，“scaler”用于自变量，“scaler1”用于因变量，即目标变量。
eufgjt7s4#
我找到了最简单的解决方案，示例化两个定标器，一个用于目标变量，另一个用于独立变量，简单。
'特征= X列
x定标器=最小最大定标器（）
X_train[特征] = xscaler.fit_转换（X_train[特征]）
X_瓦尔[特征] = x定标器.变换（X_val[特征]）
X_test[特征] = x定标器.变换（X_test[特征]）
缩放比例=最小最大缩放比例（）
y_train = yscaler.fit_转换（y_train.值.整形（-1，1））
y_瓦尔= y定标器.变换（y_val.值.整形（-1，1））