我正在使用pandas从文件中读取数据，数据如下所示：

data.head()   ldr1  ldr2  servo0   971   956     -21   691   825   -1052   841   963    -263   970   731     444   755   939    -69

接着，我对数据进行归一化处理以进行梯度下降：

my_data = (my_data - my_data.mean())/my_data.std()my_data.head()       ldr1      ldr2     servo0  1.419949  1.289668  0.3664821 -0.242834  0.591311 -1.5804202  0.647943  1.326984 -0.0871653  1.414011  0.090200  1.2359724  0.137231  1.199041 -0.899949

我进行了多元回归，并在归一化数据上得到了拟合参数：

Thetas:  [[ 0.31973117  0.45401309 -0.12941108]]

我想在原始数据而不是归一化数据上绘制最佳拟合平面，使用归一化的theta值。

我使用scipy.optimize.curve_fit进行多元线性回归，并得出了最优拟合参数。我知道原始的theta值应该接近以下数值：

[   0.26654135   -0.15218007 -107.79915373]

如何在不使用Scikit-Learn的情况下，获取用于绘图的原始数据集的’原始’theta值？

任何建议都将不胜感激。

根据下面的回答：

mldr1     731.891429ldr2     714.080000servo    -21.388571dtype: float64sldr1     168.392347ldr2     187.583221servo     52.904576dtype: float64

然后我继续进行如下操作：

original_thetas = np.dot(theta, s) + m

这产生了以下结果：

original_thetasldr1     862.420572ldr2     844.609144servo    109.140572dtype: float64

我不确定我是否计算错误，或者所展示的方法是否不适用于系数本身。

回答：

我认为你只需要存储均值和标准差

m = data.mean()s = data.std()

然后反转变换

theta * s + m