神经网络输出的非规范化

Question

早上好，我使用了 MinMax 规范化来规范化我的数据集，包括特征和标签。我的问题是，将标签也标准化是否正确？如果是，我怎样才能对神经网络的输出进行非规范化（我用规范化的测试集预测的那个）？

很遗憾，我无法上传数据集，但它由 18 个特征和 1 个标签组成。这是一个回归任务，特征和标签是物理量。

所以问题是 y_train_pred e y_test_pred 介于 0 和 1 之间。如何预测“真实值”？如果您发现其他错误，请告诉我。

谢谢。

我使用的代码写在下面

    dataset = pd.read_csv('DataSet.csv', decimal=',', delimiter = ";")

label = dataset.iloc[:,-1]
features = dataset.drop(columns = ['Label'])

features = features[best_features]

X_train1, X_test1, y_train1, y_test1 = train_test_split(features, label, test_size = 0.25, random_state = 1, shuffle = True)

y_test2 = y_test1.to_frame()
y_train2 = y_train1.to_frame()

scaler1 = preprocessing.MinMaxScaler()
scaler2 = preprocessing.MinMaxScaler()
X_train = scaler1.fit_transform(X_train1)
X_test = scaler2.fit_transform(X_test1)

scaler3 = preprocessing.MinMaxScaler()
scaler4 = preprocessing.MinMaxScaler()
y_train = scaler3.fit_transform(y_train2)
y_test = scaler4.fit_transform(y_test2)

optimizer = tf.keras.optimizers.Adamax(lr=0.001)
model = Sequential()

model.add(Dense(80, input_shape = (X_train.shape[1],), activation = 'relu',kernel_initializer='random_normal'))
model.add(Dropout(0.15))
model.add(Dense(120, activation = 'relu',kernel_initializer='random_normal'))
model.add(Dropout(0.15))
model.add(Dense(80, activation = 'relu',kernel_initializer='random_normal'))

model.add(Dense(1,activation = 'linear'))
model.compile(loss = 'mse', optimizer = optimizer, metrics = ['mse'])

history = model.fit(X_train, y_train, epochs = 300,
                    validation_split = 0.1, shuffle=False,   batch_size=120
                    )
history_dict = history.history

loss_values = history_dict['loss']
val_loss_values = history_dict['val_loss']

y_train_pred = model.predict(X_train)
y_test_pred = model.predict(X_test)

Answer 1

你应该去规范化，这样你就可以获得对你的神经网络的真实世界预测，而不是 0-1 之间的数字

最小 - 最大归一化定义为：

z = (x - min)/(max - min)

z 为标准化值，x 为标签值，max 为最大 x 值，min 为最小 x 值。因此，如果我们有 z、min 和 max，我们可以按如下方式解析 x：

x = z(max - min) + min

因此，在规范化数据之前，如果标签是连续的，请为标签的最大值和最小值定义变量。然后在你得到你的 pred 值后，你可以使用以下函数：

y_max_pre_normalize = max(label)
y_min_pre_normalize = min(label) 

def denormalize(y):
    final_value = y(y_max_pre_normalize - y_min_pre_normalize) + y_min_pre_normalize 
    return final_value

并将此函数应用于您的 y_test/y_pred 以获得相应的值。

You can use this link here to better visualize this.