在使用Keras完成模型训练后，我尝试使用Keras的model.predict()来测试模型对新输入的预测效果。

在训练模型时，我使用Scikit Learn的MinMaxScaler()对训练数据进行了归一化处理。

在使用model.predict()时，我也需要对数据进行归一化吗？如果需要，应该如何操作？

回答：

是的，需要。因为您的模型已经从特定尺度的数据中学习，所以最好将您的数据转换为与模型工作时相同的尺度，然后再进行预测。

例如，您可以使用Scikitlearn库来归一化和标准化数据：

x_scaler = StandardScaler()x_train = x_scaler.fit_transform(x_train)x_test = x_scaler.transform(x_test)# 如果您打算对标签进行归一化y_scaler = StandardScaler()y_train = y_scaler.fit_transform(y_train)y_test = y_scaler.transform(y_test)

然后，对于预测，您应该使用与训练数据集相同的归一化参数，然后反向缩放以将预测值恢复到之前的尺度，像这样：

preds = y_scaler.inverse_transform(         model.predict(x_scaler.transform(pred_input))         )