Neural network 多层感知器的归一化方法

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]