future = ['sin(h)', 'cos(h)', 'month', 'tmwindspeed', 'pressure', 'temperature'] scaler = MinMaxScaler() # 数据归一化，由于sin和cos本来就是-1到1，不用归一化 for col in future: if col not in ['sin(h)', 'cos(h)']: dataset[col] = scaler.fit_transform(dataset[col].values.reshape(-1, 1))使用此代码进行归一化，数据还原时需要reshape还是直接inverse_transform

这段代码中使用了reshape将数据转化为二维数组进行归一化，因此在进行反归一化处理时，也需要使用相应的reshape进行还原。具体步骤如下：

1. 对预测结果进行反归一化处理，得到归一化前的预测结果。

pred = model.predict(X_test)
pred = scaler.inverse_transform(pred.reshape(-1, 1))

2. 对原始数据集的目标列进行反归一化处理，得到归一化前的目标值。

y_test = scaler.inverse_transform(y_test.reshape(-1, 1))

3. 对比预测结果和目标值，评估模型的预测效果。

from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_test, pred)
print("MSE: ", mse)

需要注意的是，在进行反归一化处理时，需要使用与归一化处理时相同的Scaler对象才能得到正确的结果。