神经网络标准化输出数据答案

【问题标题】：Neural Networks normalizing output data神经网络标准化输出数据
【发布时间】：2017-07-25 01:28:59
【问题描述】：

我有 NN 的训练数据以及预期输出。每个输入都是 10 维向量，并且有 1 个预期输出。我已经使用高斯对训练数据进行了归一化，但我不知道如何对输出进行归一化，因为它只有一维。有什么想法吗？

例子：

原始输入向量：-128.91、71.076、-100.75、4.2475、-98.811、77.219、4.4096、-15.382、-6.1477、-361.18

标准化输入向量： -0.6049、1.0412、-0.3731、0.4912、-0.3571、1.0918、0.4925、0.3296、0.4056、-2.5168

上述输入的原始预期输出为 1183.6，但我不知道如何对其进行规范化。我应该将预期输出归一化为输入向量的一部分吗？

【问题讨论】：

如果你用归一化输入向量给 nn 输入什么输出？
你想用网络做什么？这是回归问题吗？您通常不会标准化输出的回归问题。您为回归问题提供的训练数据，预期输出应在您预期的范围内。
你已经反转了输出的规范化
@rayryeng 我明白了。所以只有输入被标准化，输出保持不变。然后训练归一化的输入以产生原始输出，对吗？
没错。训练后，当您使用网络对测试输入进行预测时，您必须以与训练中相同的方式对这些输入进行归一化......使用完全相同的参数。

标签： machine-learning neural-network normalization perceptron

【解决方案1】：

从您的问题的外观来看，您正在尝试实现某种回归算法。对于回归问题，您通常不会标准化输出。对于您为回归系统提供的训练数据，预期输出应该在您预期的范围内，或者只是您拥有的预期输出的任何数据。

因此，您可以将训练标准化输入以使训练进行得更快，但您通常不会标准化目标输出。在测试时间或提供新输入时，请确保以与训练期间相同的方式对数据进行标准化。具体来说，在对网络中的任何测试输入进行训练期间，使用完全相同的参数进行归一化。

【讨论】：

如果输出是多元回归值怎么办？假设必须预测 2 个值。例如位置预测的纬度和经度，是否也不需要归一化？
@basilisk 如果您有多个输出要回归，那么规范化会有所帮助。这取决于每个维度的范围。请参阅：datascience.stackexchange.com/questions/24214/…。对于单维输出，您通常不会这样做，但对于多维数据，它可以依赖。我对你的建议是两者都试一下，看看哪个效果更好。
感谢您的回答，在这种情况下，“回归然后归一化”是什么意思？我拥有的两个输出是经度和纬度（范围分别是 -180, 180] 和 [-90, 90]。我认为它应该标准化，因为范围不一样，并且它们之间的值可能有很大差异让我们说经度是-180，纬度是90！相比之下，如果我试图跟踪一辆总是在德国的公共汽车，那么经度和纬度的值会更接近，因此可以不规范化目标值。我说的对吗？
@basilisk 是的，这两个值的动态范围非常接近。不将两者标准化应该没问题。 “回归”意味着预测。

【解决方案2】：

一个重要的说明是您对单个输入向量的元素进行了归一化。拥有一维输出空间，您无法标准化输出。实际上，正确的方法是获取一批完整的训练数据，比如 N 个输入（和输出）向量，并分别对每个维度（变量）进行归一化（使用 N 个样本）。因此，对于一维输出，您将有 N 个样本进行归一化。这样，你输入的向量空间就不会被扭曲。当输出变量的尺度空间显着不同时，通常需要对输出维度进行归一化。训练后，您应该使用与从训练数据中获得的相同的归一化参数（例如，对于 zscore，它是“mean”和“std”）。在这种情况下，您会将新的（未见过的）数据放入与训练相同的尺度空间中。

【讨论】：