Neural network 多层感知器的归一化方法

Neural network 多层感知器的归一化方法,neural-network,normalization,Neural Network,Normalization,我正在使用多层感知器实现分类 我需要对输入数据进行规范化。我想知道对于多层感知器方法,哪种方法更好。输入功能具有如下所示的不同范围 特征1-(0-1) 特征2-(1-100) 特征2-(1-100000) . . 最大最小规格化:范围(0,1)激活函数-乙状结肠 标准化_数据=(数据最小值)/(最大最小值) 标准偏差归一化:范围(-1,1)-不确定乙状结肠是否是好的选择。。双曲正切 标准化数据=数据平均值/sd 谢谢, Atish如果要规范化训练数据集的每一行,合适的方法是神经网络工具箱中的m

我正在使用多层感知器实现分类

我需要对输入数据进行规范化。我想知道对于多层感知器方法,哪种方法更好。输入功能具有如下所示的不同范围

特征1-(0-1) 特征2-(1-100) 特征2-(1-100000) . .

  • 最大最小规格化:范围(0,1)激活函数-乙状结肠
  • 标准化_数据=(数据最小值)/(最大最小值)

  • 标准偏差归一化:范围(-1,1)-不确定乙状结肠是否是好的选择。。双曲正切
  • 标准化数据=数据平均值/sd

    谢谢,
    Atish

    如果要规范化训练数据集的每一行,合适的方法是神经网络工具箱中的
    mapminmax
    方法

    如果您倾向于基于每个列(特征)进行规范化,那么有太多的方法。如果数据集由不同的边界组成,最好在
    [-1]
    之间进行规范化,否则
    [0 1]
    是合适的

    可以对
    [-1]
    之间的规范化方法进行编码:

    function xNorm = Normalization(x,MinX,MaxX)
    % x is data, MinX is minimum values in each column and MaxX is maximum values in each column
    
    xNorm = (x - MinX) / (MaxX - MinX) * 2 - 1;
    
    end
    
    xNorm
    是介于-1和1之间的标准化输入数据


    另一种解决方案是
    normc
    函数,它规范化矩阵的列。

    Gaussian
    函数是另一种最合适的规范化方法,它试图考虑分布式数据的
    平均值和
    标准值。谢谢您的回答。如果我们在[-11]之间标准化。。那么我是否应该将激活函数从sigmoid更改为双曲型?
    双曲正切函数
    提供了与
    sigmoid激活函数
    相似的缩放比例;但是,
    双曲正切激活函数的范围为
    [-1]
    。因此,最好采用双曲线。另一个想法是,由于
    双曲正切激活函数
    具有导数特性,因此它也可以在
    [01]
    范围内产生输出。感谢@blubit的回答。这很有帮助。我们是否也需要规范化输出??我有一个5级分类问题。它们的值如下所示。[1 0 0 0]或[0 0 1 0 0]