我正在使用多层感知器实现分类。
我需要对输入数据进行标准化。我想知道哪个是多层感知器方法的更好方法。输入特征有如下不同的范围
特征1 - (0-1) 特征 2 - (1-100) 特征2 - (1-100000) . . .
normalized_data = (data-min)/(max-min)
normalized_data = data-mean/sd
谢谢， 阿蒂什
【问题讨论】：
标签： neural-network normalization
如果您想对训练数据集的每一行进行归一化，合适的方法是神经网络工具箱中的mapminmax 方法。
如果你倾向于根据每一列（特征）进行归一化，那么方法太多了。如果你的数据集包含不同的边界，最好在[-1 1]之间进行归一化，否则[0 1]是合适的。
[-1 1]之间的归一化方法可以编码：
function xNorm = Normalization(x,MinX,MaxX)
% x is data, MinX is minimum values in each column and MaxX is maximum values in each column
xNorm = (x - MinX) / (MaxX - MinX) * 2 - 1;
end
xNorm 是介于 -1 和 1 之间的标准化输入数据。
另一个解决方案是normc 函数，它对矩阵的列进行归一化。
【讨论】：
Gaussian 函数是另一种最合适的规范化方法，它尝试考虑分布式数据的mean 和Std.。
hyperbolic tangent function 提供与sigmoid activation function 类似的缩放比例；但是，hyperbolic tangent activation function 的范围为[-1 1]。因此，最好应用双曲线。另一个想法是，由于hyperbolic tangent activation function具有导数特性，它也可以产生[0 1]范围内的输出。