这个错误告诉你NumPy不能对这两个数组执行元素级操作。
发生这种情况的原因是，如这里所述，NumPy使用了一组严格的规则：
1.如果两个数组的维数不同，则维数较少的数组的形状在其前导（左）侧用1填充。
1.如果两个数组的形状在任何维度上都不匹配，则在该维度上形状等于1的数组将被拉伸以匹配另一个形状。
1.如果在任何维度中，大小不一致且都不等于1，则会引发错误。
由于数组的形状是(5377,1)和(5377,15)-它们属于第二类，因此第一个数组（维度为(5377,1)）被拉伸以适合形状为(5377,15)的数组。
然后，如-=所示，尝试将其重新赋给形状为(5377,1)的对象，这会引发错误。
你可以做的是：
使用X = X - self.min_代替X -= self.min_：

import numpy as np

X = np.random.randn(5377).reshape((5377,1))
min_ = np.random.randn(5377*15).reshape((5377,15))

X = X - min_
X

或者，如果X应保持初始形状(5377, 1)，则可以对列求和：

import numpy as np

X = np.random.randn(5377).reshape((5377,1))
min_ = np.random.randn(5377*15).reshape((5377,15))

X = (X - min_).sum(axis=1)
X

但是你应该从你所使用的算法的Angular 来考虑这个结果是否符合你的需要。
干杯

这个train_pred必须与你在其上拟合定标器的数据集具有相同的形状。要做inverse_transform，你可以从你的定标器中提取所需的属性，并将它们应用到你的预测中。

mm_scaler = MinMaxScaler()
df_scaled = mm_scaler.fit_transform(df)
#you do you data split and modeling ...

# inverse transform your prediction
mm_scaler_pred = MinMaxScaler()
mm_scaler_pred.min_, mm_scaler_pred.scale_ = mm_scaler.min_[1], mm_scaler.scale_[1]

prediction = mm_scaler_pred.inverse_transform(y_pred)

Here你有一个解释得很好的解决方案。