Machine learning 如何仅使用一个样本规范化值？

我正在使用

人工神经网络

对时间序列温度预测进行研究，大多数参考文献在使用

最小-最大归一化技术

将输入值输入神经网络之前对其进行归一化。训练和测试数据集均已标准化。输入值是特定一天的温度、露点、降水量、压力和风速值

在测试集中只有一个样本的情况下（例如，我只有今天的天气属性来预测明天的温度），既然每个属性都有相同的最小值和最大值，我如何规范化这些值？

---

另外，我已经给我使用的研究的作者发了电子邮件，他们都没有回复，所以我想我会在这里寻求帮助：）

将样本标准化，就好像它在训练或测试数据集中一样。它们是你训练的靶场，对吗

一般来说，将有限的/部分的数据放在您可以处理/已培训处理的内容的上下文中，将是从中获得有意义或经过验证的输出的唯一方法

---

当然，你不应该完全局限于一个样本。。由于您应该完全能够保留（并使用）前几天样本的历史记录。

标准化是以相同的方式对训练集和测试集执行的，因此您可以计算训练集的“界限”，并仅将其应用于测试集（您不应该使用测试数据来计算这些边界，因为您应该假设在创建模型时您不知道测试数据）

在这里，您似乎缺少了机器学习的核心思想。您无法在一个样本上训练预测模型。样本数指的是您收集的观察集的大小，而不是反馈给模型的数据量（因此，当你根据今天预测明天的气温时，并不意味着你只有一个样本，你需要从历史中获得大量样本，以便训练任何模型，尤其是神经网络）

---

因此，标准化的问题在这里并不重要，因为您只需对整个历史集或进行标准化，如果您知道每个属性可以实现的值的确切边界，则可以手动对其进行标准化（例如，您测量的温度以摄氏度为单位，因此应为[-20,40]（如果您生活在世界上“较软”的地区，请选择interval或samller）.

感谢您的回复。因此，在测试网络性能时，这是否意味着我应该同时考虑前几天的天气值，而不仅仅是限制当前天气值的输入？无论您测试什么，您总是需要一种标准化方法。因此，您要么根本不进行标准化（如果您有一个不需要它的方法）或使用一个常量转换进行规范化，通常对一些历史数据进行计算。我们讨论的是规范化，而不是将数据用作输入。您似乎忽略了这里的区别。