本文将详细介绍在机器学习模型中，如何将经过对数转换（np.log）的因变量预测结果准确地还原回原始数值尺度。通过使用指数函数np.exp()，我们不仅能正确评估模型在原始数据上的性能，还能使预测结果更具实际意义和可解释性。教程涵盖了从数据转换、模型训练到最终逆变换及结果展示的全过程，并强调了逆变换在模型评估中的重要性。

1. 理解对数转换及其应用场景

在数据预处理阶段，对数转换（如自然对数 np.log()）是机器学习中常用的技术，尤其适用于以下情况：

• 处理偏态分布数据：当数据呈现严重的右偏态（长尾）时，对数转换可以使其分布更接近正态分布，从而满足某些模型（如线性回归）对数据分布的假设。
• 稳定方差：对数转换有助于减小数据中的异方差性，使误差项的方差更稳定。
• 减小异常值影响：对数转换可以压缩极端值，降低异常值对模型训练的影响。

在进行对数转换时，通常需要确保原始数值为正。如果存在非正值，需要进行适当的处理（例如，加一个小的常数使所有值大于零，或者只对正值进行转换）。

示例：对独立变量和因变量进行对数转换

假设我们对数据集 dtd 中的 value_eur（因变量）和 wage_eur（独立变量）进行了对数转换。

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error
# 假设 dtd 是你的 DataFrame，dtk 是原始 DataFrame的副本或原始数据
# 为了演示，我们创建一个示例 DataFrame
data = {
    'value_eur': [1000, 25000, 500, 75000, 100, 120000, 3000, 80000, 200, 45000],
    'wage_eur': [100, 2500, 50, 7500, 10, 12000, 300, 8000, 20, 4500],
    'feature1': np.random.rand(10) * 100,
    'feature2': np.random.rand(10) * 50
}
dtd = pd.DataFrame(data)
dtk = dtd.copy() # 假设 dtk 是原始数据

# 对正值进行对数转换
mask_value = dtd['value_eur'] > 0
dtd.loc[mask_value, 'value_eur'] = np.log(dtk.loc[mask_value, 'value_eur'])

mask_wage = dtd['wage_eur'] > 0
dtd.loc[mask_wage, 'wage_eur'] = np.log(dtk.loc[mask_wage, 'wage_eur'])

print("对数转换后的数据示例:")
print(dtd.head())

2. 模型训练与预测

在对数据进行对数转换后，我们使用这些转换后的数据来训练机器学习模型。模型的输出（预测值）也将处于对数尺度。

示例：定义特征和目标，训练模型并进行预测

拾贝

一键同步微信读书所有笔记和划线，并在新标签页回顾

186 查看详情

# 定义特征 X 和目标 y
X = dtd.drop(['value_eur'], axis=1)
y = dtd['value_eur']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 假设 regressor 是一个已经训练好的模型（例如通过 GridSearchCV 得到的最佳估计器）
# 这里我们用一个简单的 RandomForestRegressor 作为示例
from sklearn.ensemble import RandomForestRegressor
regressor = RandomForestRegressor(random_state=42)
regressor.fit(X_train, y_train)

# 进行预测，预测结果 regs 处于对数尺度
regs = regressor.predict(X_test)

print("\n模型预测结果 (对数尺度):")
print(regs)

3. 将预测值还原至原始尺度

模型的预测结果 regs 是对数转换后的值。为了使这些预测结果具有实际意义，并能与原始数据的真实值进行直接比较，我们需要将它们还原回原始尺度。对数转换的逆运算是指数运算，即 np.exp() 函数。

示例：使用 np.exp() 还原预测值

# 将对数尺度的预测值还原为原始尺度
y_pred_original = np.exp(regs)

print("\n还原后的预测值 (原始尺度):")
print(y_pred_original)

4. 评估模型与展示结果

在还原预测值后，我们通常需要：

1. 将真实值也还原到原始尺度：为了在原始尺度上进行准确的模型评估（如计算 MAE、RMSE），测试集中的真实值 y_test 也需要通过 np.exp() 还原。
2. 计算原始尺度的评估指标：使用还原后的预测值和真实值来计算评估指标。
3. 展示原始尺度的预测结果和真实值：创建一个包含原始尺度预测值和真实值的 DataFrame，以便直观比较。

示例：计算原始尺度 MAE 并展示结果

# 将测试集真实值也还原为原始尺度，以便进行公平比较和评估
y_test_original = np.exp(y_test)

# 计算原始尺度的平均绝对误差 (MAE)
mae_original = mean_absolute_error(y_test_original, y_pred_original)
print(f"\n原始尺度的平均绝对误差 (MAE): {mae_original:.2f}")

# 创建一个 DataFrame 来展示原始尺度的预测值和真实值
results_original = pd.DataFrame({
    '预测值 (原始尺度)': y_pred_original,
    '真实值 (原始尺度)': y_test_original
})

print("\n原始尺度下的预测值与真实值对比:")
print(results_original.head())

5. 注意事项

• 数据一致性：在进行逆转换时，确保对预测值和用于评估的真实值都进行相同的逆转换操作。否则，评估指标将失去意义。
• 零值处理：如果原始数据中包含零或负值，并且在对数转换前进行了加常数处理（例如 np.log(x + C)），那么逆转换时也需要进行相应的减常数处理 (np.exp(y_pred) - C)。
• 评估指标的选择：在对数尺度上，RMSE 或 MAE 衡量的是对数误差；在原始尺度上，它们衡量的是绝对误差。根据业务需求和模型目标选择合适的评估尺度。
• 数值稳定性：np.exp() 函数对非常大的输入值可能会产生溢出（inf）。虽然在大多数实际应用中不常见，但在处理极端预测值时需要注意。
• 可解释性：将预测结果还原到原始尺度极大地提高了模型的可解释性，使非专业人士也能理解模型的预测效果。

总结

在机器学习流程中，对数转换是一种有效的数据预处理技术，但它要求我们对模型的预测结果进行逆转换，才能将其还原到原始数据的尺度。通过熟练运用 np.exp() 函数，我们不仅能够获得具有实际意义的预测值，还能在原始数据层面对模型性能进行准确评估。掌握这一技能对于构建和部署实用的机器学习模型至关重要。

以上就是机器学习中对数转换预测值的还原方法的详细内容，更多请关注其它相关文章！

# 进行了  # 免费推广网站平台排名  # 会展场馆网站建设流程  # 佛山网站建设求职简历  # 江苏seo排名有价值吗  # 阿拉山口网站优化  # 泰顺建设网站首页查询  # 网站课程怎么样推广好做  # 推广小程序怎么测试营销  # 白山seo入门如何做  # 香港seo哪家专业  # ai  # 无需注册  # 如何用  # 在对  # 实际意义  # 创建一个  # 离线  # 拾贝  # 的是  # 原始数据  # red 

相关栏目： 【 科技资讯46185 】 【 网络学院92790 】

相关推荐： Sublime怎么配置Nim语言环境_Sublime Nim代码高亮与补全  深入理解J*a合成构造器：何时以及为何阻止其生成  优酷会员付费后没到账怎么办_优酷会员充值异常及解决方法  Lar*el的路由模型绑定怎么用_Lar*el Route Model Binding简化控制器逻辑  内存检查：在VS Code中调试C++时的内存视图  jQuery Mask 插件中实现电话号码固定前导零的教程  J*aScript对象创建方式_J*aScript设计模式应用  Pandas DataFrame：高效添加条件计算列  Win11怎么隐藏桌面图标 Win11一键隐藏所有桌面元素及恢复显示  Golang如何实现Web接口签名验证_Golang Web接口签名校验开发方法  印象笔记怎样用批量导出备知识库_印象笔记用批量导出备知识库【备份方法】  苹果手机指南针不准怎么校准 传感器校准方法详解【建议收藏】  Yandex官网免登录入口_俄罗斯Yandex搜索引擎一键访问  AI抖音网页版免费视频入口 AI抖音网页端最新视频实时观看  KFC早餐时段怎么领特惠代码_KFC早餐订餐优惠代码获取与使用说明  红果短剧网页版官网入口 官方最新网址发布  俄罗斯方块最新版入口 俄罗斯方块在线玩官网入口  Windows10怎么开启存储感知 Windows10系统设置自动清理临时文件释放C盘空间【教程】  在Go Martini框架中高效服务动态生成图像的实践指南  中兴BladeV30怎样用测距估书架层高_iPhone中兴BladeV30测距估书架层高【家装参考】  Python中如何避免重复条件判断：利用数据结构实现动态逻辑  Mac怎么锁定备忘录_Mac备忘录加密设置教程  Win10如何清理注册表垃圾 Win10手动清理无效注册表【技巧】  b站如何看历史记录_b站观看历史找回方法  mcjs网页版流畅运行 mcjs低配电脑畅玩入口  动漫花园资源网使用步骤_动漫花园资源网下载流程  在WordPress中通过REST API获取BasicAuth保护的远程文章  c++项目目录结构应该如何组织_c++工程化项目结构规范  将HTML Canvas内容转换为可上传的图像文件（File对象）  Python异步编程实践：使用Binance API构建实时交易数据流  C++如何实现异步操作_C++11使用std::future和std::async进行异步编程  TikTok搜索结果不显示如何解决 TikTok搜索刷新优化方法  智慧团建扫码登录入口 智慧团建扫码登录入口官网版​  解决Tabulator日期时间排序问题的专业指南  1688商家版怎样分析买家画像精准供货_1688商家版分析买家画像精准供货【供货策略】  Golang如何使用new_Go new分配内存机制讲解  在J*aScript中复现SciPy的B样条拟合与求值：关键考量  Go语言中对Map值调用带指针接收者方法：原理与最佳实践  葱吃多了会怎样 葱吃多了会伤胃吗  b站怎么删除评论_b站评论管理与删除操作  Web Components中自定义开关组件状态同步的常见陷阱与解决方案  微博网页版官方账号登录 微博网页版内容浏览使用指南  4399网页游戏电脑版全新入口 4399电脑端在线玩指南  lar*el怎么安全地存储和获取配置文件中的敏感信息_lar*el敏感信息安全存储方法  Lar*el递归关系中排除子孙节点的策略  Pygame教程：解决用户输入与游戏状态更新不同步问题  如何在J*a中实现统一对象行为接口_项目大型化时的接口规范化  PHP中获取MongoDB服务器运行时间（Uptime）的专业指南  UE5.7引擎表现爆炸优化无敌！5090跑4K稳定60FPS  如何将一个大型PHP应用拆分为多个Composer包_微服务与模块化架构的Composer实践