归一化和反归一化实例代码

归一化和反归一化是数据预处理中常用的技术，用于将数据缩放到特定的范围内，以便更好地进行模型训练和预测。下面是一个简单的示例代码，演示如何使用Python中的scikit-learn库进行归一化和反归一化：

from sklearn.preprocessing import MinMaxScaler

# 假设我们有一个数据集X，其中包含多个特征
X = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]

# 创建MinMaxScaler对象，并指定归一化的范围
scaler = MinMaxScaler(feature_range=(0, 1))

# 使用fit_transform方法对数据进行归一化
X_normalized = scaler.fit_transform(X)

# 打印归一化后的数据
print("归一化后的数据：")
print(X_normalized)

# 假设我们有一个新的样本需要进行预测
new_sample = [[-0.8, 5]]

# 使用transform方法对新样本进行归一化
new_sample_normalized = scaler.transform(new_sample)

# 打印归一化后的新样本
print("归一化后的新样本：")
print(new_sample_normalized)

# 使用inverse_transform方法对归一化后的数据进行反归一化
X_original = scaler.inverse_transform(X_normalized)

# 打印反归一化后的数据
print("反归一化后的数据：")
print(X_original)