Machine learning 人工神经网络训练集扩展

我目前正在使用反向传播进行人工神经网络的分类工作。然而，我对规范化我正在使用的数据集有点困惑（我没有很强的统计/概率背景）

数据示例如下所示：

5.1, 3.5, 1.4, 0.2, 1
5.2, 2.7, 3.9, 1.4, 2
5.9, 3.0, 5.1, 1.8, 3

其中每个的最后一个标记是类

现在，由于我使用的是Sigmoid传递函数，我的网络显然无法输出大于1的值，因此需要对数据进行规范化/缩放

我的第一个问题；我需要同时缩放功能和类，还是只缩放类

我的第二个问题是，是否有任何“事实上”或常用的方法来进行这种缩放

问候,，

---

Jack Hunt

通常建议也缩放功能。缩放应该像缩放的_feature=（feature-min（featurearray））/（max（featurearray）-min（featurearray））一样简单

因此，对于第一个属性列，新数据将是： (5.1-5.1)/(5.9-5.1); (5.2-5.1)/(5.9-5.1);

---

（5.9-5.1）/（5.9-5.1）

实际上，在使用机器学习算法，特别是人工神经网络时，缩放是最重要的方面之一

是的，（功能最小/最大-最小）方法是一种可能性

---

然而，还有一系列其他方法。例如，您可以使用z分数（根据平均值的标准偏差）。或者，还有一种称为z轴规格化的技术，其中向规格化向量添加额外的分量。有时，绝对不需要缩放。

实际上，这应该是（feature-min）/（max-min）@Alptigin-Jalayr-Hi，那么我是按属性进行规范化，如您的示例，还是按属性集进行规范化？谢谢。按每个属性，如上面的缩放示例所示。不确定你所说的属性集是什么意思（你是指每一行吗？）@AlptiginJalayr嗨，是的，我指的是行。谢谢你的回复。对这一点的理解在于规范化的定义。假设你有两列，高度和重量。所有高度都将是相同正态分布的样本，因此必须对它们集体进行归一化。类似地，所有权重都将通过计算权重列的平均值和标准偏差来标准化。不过，z分数不适用于sigmoid激活函数，因为对于非微小数据集，它们几乎可以保证包含[-1，1]之外的值。