研究预测分数的机器学习模型回归问题。
通常,当使用缩放器进行归一化时,例如 MinMaxScaler ,您将获得对缩放器的引用,以便稍后您可以将数据反转回其原始值。
当使用tf.keras.utils.normalize时,(据我所知)是以下数据的 L2 标准化:
val target
0 1 10
1 2 20
2 3 30
3 4 40
4 5 50
您将得到以下输出:
val target
0 0.13484 0.13484
1 0.26968 0.26968
2 0.40452 0.40452
3 0.53936 0.53936
4 0.67420 0.67420
所以我认为不可能回到原来的10,20,30,40,50
系列
问:如果我想将预测目标反转回原始比例,是否应该使用 MinMaxScalar 单独对分数进行归一化?
最佳答案
神经网络激活通常希望其输入标准化。规范化网络中节点的输入有助于防止所谓的梯度消失(和爆炸)。
通常,批量归一化是对输入执行的,但它有其自身的缺点,例如由于额外的计算而导致预测速度较慢。相反,您可以使用您提到的任何其他标准化技术。
在您的示例中,不要规范化输入和目标,而是仅规范化输入,如下所述。
数据框:
val target
0 1 10
1 2 20
2 3 30
3 4 40
4 5 50
标准化输入:
df["val"] = tf.keras.utils.normalize(df["val"].values,axis=-1, order=2 )[0]
输入标准化数据框:
val target
0 0.13484 10
1 0.26968 20
2 0.40452 30
3 0.53936 40
4 0.67420 50
关于python - 我应该使用 tf.keras.utils.normalize 来标准化我的目标吗?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/61710791/