我正在使用train函数训练一个neuralnet模型，并使用recipes包对数据进行预处理。

有没有什么函数可以从模型中进行预测，然后将这些预测值重新缩放到它们原始的范围内，在我的例子中是[1, 100]？

library(caret)library(recipes)library(neuralnet)# 创建数据集 - 乘法表 tt <- data.frame(multiplier = rep(1:10, times = 10), multiplicand = rep(1:10, each = 10))tt <- cbind(tt, data.frame(product = tt$multiplier * tt$multiplicand))# 分割数据 indexes <- createDataPartition(tt$product,                              times = 1,                              p = 0.7,                              list = FALSE)tt.train <- tt[indexes,]tt.test <- tt[-indexes,]# 预处理数据的配方 rec_reg <- recipe(product ~ ., data = tt.train) %>%  step_center(all_predictors()) %>% step_scale(all_outcomes()) %>%  step_center(all_outcomes()) %>% step_scale(all_predictors())# 训练 train.control <- trainControl(method = "repeatedcv",                              number = 10,                              repeats = 3,                              savePredictions = TRUE)tune.grid <- expand.grid(layer1 = 8,                         layer2 = 0,                         layer3 = 0)# 设置种子以确保结果可重复 set.seed(12)tt.cv <- train(rec_reg,               data = tt.train,               method = 'neuralnet',               tuneGrid = tune.grid,               trControl = train.control,               algorithm = 'backprop',               learningrate = 0.005,               lifesign = 'minimal')

回答：

如果你使用step_normalize代替step_scale和step_center，你可以使用以下函数基于recipe来“反标准化”。（如果你更喜欢使用两步进行标准化，你需要调整unnormalize函数。）

这个函数用于提取相关的步骤。

#' 提取步骤项目#'#' 从预处理的配方中返回提取的步骤项目。#'#' @param recipe 预处理的配方对象。#' @param step 预处理配方中的步骤。#' @param item 预处理配方中的项目。#' @param enframe 步骤项目是否需要框架化？#'#' @exportextract_step_item <- function(recipe, step, item, enframe = TRUE) {  d <- recipe$steps[[which(purrr::map_chr(recipe$steps, ~ class(.)[1]) == step)]][[item]]  if (enframe) {    tibble::enframe(d) %>% tidyr::spread(key = 1, value = 2)  } else {    d  }}

这个函数用于进行反标准化。因此，它会乘以标准差并加上均值。

#' 反标准化变量#'#' 使用配方对象中的标准差和均值对变量进行反标准化。参见 \code{?recipes}。#'#' @param x 要反标准化的数值向量。#' @param rec 配方对象。#' @param var 配方对象中的变量名。#'#' @exportunnormalize <- function(x, rec, var) {  var_sd <- extract_step_item(rec, "step_normalize", "sds") %>% dplyr::pull(var)  var_mean <- extract_step_item(rec, "step_normalize", "means") %>% dplyr::pull(var)  (x * var_sd) + var_mean}

所以你应该能够生成预测，然后使用：

unnormalize(predictions, prepped_recipe_obj, outcome_var_name)

其中predictions是训练模型生成的预测值向量，prepped_recipe_obj在你的例子中是rec_reg，outcome_var_name在你的例子中是product。