如何在规范化输入数据后对神经网络预测进行非规范化（去标准化）

【问题标题】：How to denormalise (de-standardise) neural net predictions after normalising input data如何在规范化输入数据后对神经网络预测进行非规范化（去标准化）
【发布时间】：2015-11-26 00:14:27
【问题描述】：

在对神经网络的输入数据进行归一化后如何返回原始数据规模。使用标准偏差方法进行归一化。但是问题已经讨论过了，它属于为每个神经网络输入返回相同的值。我遵循了建议和标准化数据。是否有非常明显的方法可以对非标准化数据进行充分（彼此不同）的预测？

但是，标准化的输入显示出相对可接受的输出结果（预测）。但这似乎会导致过度拟合。那么，如何避免过拟合呢？

【问题讨论】：

标签： python neural-network pybrain

【解决方案1】：

如果您还使用以下方法标准化了目标：

     y - mean(y)
y' = -----------
      stdev(y)

那么你只需要为y解决上述问题：

y = y' * stdev(y) + mean(y)

并将y 替换为您的神经网络预测的内容。

对于分类，您不应该标准化目标。对于回归，您应该这样做。

您的问题不清楚当前形式的过度拟合部分。

【讨论】：

谢谢！我想到了这个。但是我对这种转换操作有疑问，因为使用 mean 和 stdev 不用于预测（输出）值。它在计量经济学或统计学中是如何解释的？我们应该对回归的输入进行归一化的主要原因是什么？当输入未标准化时，通常情况下不可能在 PyBrain 中获得可接受的预测吗？