我一直在研究试图预测股票价格的研究论文。我在这些论文中注意到，使用以下类型的激活函数之一将激活函数应用于输出。单极 S 形、双极 S 形、Tan 双曲、径向基函数。
我的问题 如果将上述类型的激活函数之一应用于输出，那么如何使用它来预测股票价格，即像 103.56 美元这样的值？因为大多数这些函数的最小值或最大值都在 (0,1) 或 (-1,1) 之间。
回复bakkal 在作为 ANN 的输入之前，输入是 根据中定义的“zscore”函数进行标准化 MATLAB，其中减去平均值并得到值 除以数据的方差。 目标产出是 还根据目标函数进行归一化，除以 他们的最大值，记住上限和下限 各个激活函数的极限((0,1)对于单极 sigmoid，(-1, 1) 表示双极 sigmoid 和 tan 双曲函数)。
嗨，如下所述，如果激活函数未应用于输出，那么有人可以用粗体解释该段落，谢谢。
最佳答案
如果您正在寻找像 103.56 这样的连续输出，那么您正在使用神经网络来实现回归(而不是分类)。在这种情况下，您不会在输出上应用激活层。您的输出将是前一层的加权输入的总和。
也就是说，没有什么可以阻止您在网络中的隐藏层上使用激活层(例如，创建中间特征，然后用于回归)
Why doesn't the use of an activation function act like a normalisation function? So do we need to normalise if we are using an activation function? Because the activation function will act like a normaliser?
标准化
不完全是，feature normalization例如获取所有历史股票价格数据，找到最大值、最小值、标准偏差等，并应用转换，以便所有历史数据适合例如[0, 1]。
为什么要这样做？因为您的历史数据可能会显示 AMZN 的价格可能会上涨 500 美元，但其市值可能会达到 2000 亿美元。 价格和市值这两个特征之间存在很多零，这对于某些数值算法来说并不好。因此，您要做的就是将它们标准化为某种标准化规模，以便所有价格都在 [0, 1] 之间，并且所有市值都在 [0, 1] 之间。例如。这有助于反向传播算法。
激活
现在激活函数做了不同的事情，它的存在是为了创建激活效果，就像神经元要么激发要么不激发一样。激活函数接受输入 [-inf, +inf] 并尝试将其捕捉到 [-1, +1]。这与标准化不同
现在激活效应如何帮助回归？嗯，例如在股票中，预测细价股(例如约 400 万美元的公司)的价格可能与预测蓝筹股(约 2000 亿美元的公司)的价格有很大不同，因此您可能需要一个基于细价打开/关闭的功能/大盖帽。该功能可用于更好地进行预测价格的回归。
关于machine-learning - 用于预测的人工神经网络，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/37939936/