归一化：用于减少不同字段数量级差异造成的影响，或用来平滑数值，可用在x，y

反归一化：一般用来模型预测后的pred y，反归一化回原来的数量级

纯公式推导版本：

归一化

data = [1,2,3,4]
def MaxMinNormalization(x,Max,Min):
	x = (x - Min) / (Max - Min)
	return x

import numpy as np
Max = np.max(data)
Min = np.min(data)
data = MaxMinNormalization(data,Max,Min)
print(data)

[0.         0.33333333 0.66666667 1.        ]

反归一化

正在研究···

---

调用Skelearn包实现归一化与反归一化

数据预处理_数据反归一化01_bhcgdh的博客-CSDN博客_反归一化

归一化时使用 scaler 进行归一化，反归一化仍然要使用 scaler 数据转换

Tips：如果归一化时的 values 的shape是（n, 3）,则反归一化时的 data 的shape必须是（m, 3）

参考资料

(174条消息) 数据预处理_数据反归一化01_bhcgdh的博客-CSDN博客_反归一化 

数据归一化 - 知乎 (zhihu.com)

(170条消息) sklearn MinMaxScaler对某一个特征反归一化_Azia的博客-CSDN博客_sklearn反归一化

(170条消息) 数据处理中的归一化与反归一化_路_遥的博客-CSDN博客_数据归一化和反归一化