MinMaxScaler.fit_transform 多特征项

如果您想在训练LSTM模型之前对多个特征项进行归一化，可以使用`MinMaxScaler`来进行操作。以下是一个示例代码：

from sklearn.preprocessing import MinMaxScaler

# 假设有多个特征项，存储在一个形状为 (样本数量, 时间步长, 特征维度) 的三维张量 features 中

# 对每个特征进行归一化
scaler = MinMaxScaler()
num_samples, num_timesteps, num_features = features.shape
features_reshaped = features.reshape(num_samples * num_timesteps, num_features)
scaled_features = scaler.fit_transform(features_reshaped)
scaled_features = scaled_features.reshape(num_samples, num_timesteps, num_features)

# 继续进行模型训练等操作

在上述示例中，我们首先将三维的特征张量 reshape 成二维的形状 `(样本数量 * 时间步长, 特征维度)`，然后使用 `MinMaxScaler` 对特征进行归一化操作，然后再将其 reshape 回原来的形状。

这样，您就可以在训练 LSTM 模型之前对多特征项进行归一化处理。希望这能帮到您！如果还有其他问题，请随时提问。