Image processing 计算机视觉：计算描述符的标准化值

我正在做图像分类项目，我已经制作了特征语料库

我想为-1到1之间的PyBrain输入规范化我的特征，我使用以下公式规范化特征

Normalized value = (Value - Mean ) / Standard Deviation 

但是它给了我一些-3到3之间的标准值，这是非常不准确的

---

我在pybrain中有100个输入，pybrain有1个输出。

如果您有正的数据集，您可以使用此公式规范化您的值

Normalized value = (Value / (0.5*Max_Value) )-1;

这将为您提供范围为[-1，+1]的值

如果您有正面和负面的：

 Normalized value = ((Normalized - Min_Value)/(Max_Value-Min_Value)-0.5)*2

也许你可以这样做：

Mid_value = ( Max_value + Min_Value )/2
Max_difference = ( Max_value - Min_Value )/2;
Normalized_value = ( Value - Mid_value )/Max_difference;

---

标准化的_值应在[-1，+1]范围内。

您使用的方程式是标准化方程式。它不能保证您的值在-1中；1但它会重新缩放数据，使平均值为0，之后的标准偏差为1。但是点可以超过平均值标准偏差的1倍

有多个选项可以绑定数据

使用非线性函数，例如

tanh

（在神经网络中非常流行）

居中，然后使用

1/max（abs（dev））

保留0，然后使用

1/max（abs（dev））

2*（x-min）/（max-min）-1

标准化（正如您所做的），但将值截断为-1+一,

。。。更多

---

我假设输入是正的。。我的错误是公式不正确，返回的值可能比-1小得多。例如，考虑输入数据集[-100，1,2]。甚至更糟：[-1，-2，-3,0]仍然不能正常工作，afaict-上一次我匆忙回答：D是的，当然你是对的，你正在做的是居中/标准化=>所以修改后，平均值将为0（居中），标准偏差将为1（标准化）。这是一种非常有效的预处理数据的方法。