Neural network 是否需要为skflow.TENSORFLOWDNNCLASSIER缩放数据？

我的同事和这个交叉验证的问题说，你应该将数据转换为神经网络的零均值和单位方差。然而，我的性能在缩放时比没有缩放时稍差

我尝试使用：

scaler=preprocessing.StandardScaler（）.fit（X_列）
X_列=缩放器变换（X_列）
X_测试=缩放变换（X_测试）
步数=5000
def exp_衰减（全局步骤）：
返回tf.train.index_衰减(
学习率=0.1，全局步骤=全局步骤，
衰减步数=步数，衰减率=0.01）
随机。种子（42）#以相同的方式采样数据
分类器=skflow.TENSORFLOWDNNCLASSIER(
隐藏单位=[150150150]，
n_类=2，
批次大小=128，
步骤=步骤，
学习率=经验衰减）
分类器。配合（X_系列，y_系列）
y_pred=分类器。预测（X_测试）

---

我做错了什么，或者缩放不是必需的吗？

通常，对于没有正则化和线性模型的模型，缩放的好处最大。例如，没有正则化的简单均方误差损失（如

TensorFlowLinearRegressor

）在未缩放的数据上无法很好地工作

---

在您的例子中，您使用的是运行softmax正则化的分类器，并且您使用的是DNN，因此不需要缩放。如果这是一件有用的事情，DNNs本身可以对重缩放进行建模（通过第一层特征上的偏差和权重）。

通常，对于没有正则化和线性模型的模型，缩放的好处最大。例如，没有正则化的简单均方误差损失（如

TensorFlowLinearRegressor

）在未缩放的数据上无法很好地工作

在您的例子中，您使用的是运行softmax正则化的分类器，并且您使用的是DNN，因此不需要缩放。如果这是一件有用的事情，DNNs themselve可以模拟重缩放（通过第一层中特征的偏差和权重）