Python 我应该使用tf.keras.utils.normalize来规范化我的目标吗？

处理预测分数的机器学习模型回归问题

通常，例如，在使用定标器进行规范化时，您会获得对定标器的引用，以便以后可以将数据反转回其原始值

使用时，这是（据我所知）以下数据的L2规范化：

    val target
0   1   10
1   2   20
2   3   30
3   4   40
4   5   50

您将获得以下输出：

    val     target
0   0.13484 0.13484
1   0.26968 0.26968
2   0.40452 0.40452
3   0.53936 0.53936
4   0.67420 0.67420

因此，我认为没有可能回到原来的

10,20,30,40,50系列

Q:如果我想将预测目标反转回其原始量表，我是否应该使用MinMaxScalar单独标准化分数？
神经网络激活通常与要标准化的输入一样。规范化网络中节点的输入有助于防止所谓的消失（和爆炸）梯度

通常，对输入执行批标准化，但它也有其自身的缺点，如由于额外计算而导致预测速度较慢。相反，您可以使用您提到的任何其他规范化技术

在您的示例中，不要同时规范化输入和目标，而是只规范化输入，如下所述

数据帧：

val target
0   1   10
1   2   20
2   3   30
3   4   40
4   5   50

    val target
0   0.13484 10
1   0.26968 20
2   0.40452 30
3   0.53936 40
4   0.67420 50

规范化输入：

df["val"] = tf.keras.utils.normalize(df["val"].values,axis=-1, order=2 )[0]

输入规范化数据帧：

val target
0   1   10
1   2   20
2   3   30
3   4   40
4   5   50

    val target
0   0.13484 10
1   0.26968 20
2   0.40452 30
3   0.53936 40
4   0.67420 50

您需要规范化输入，而不是输出。所以，
target
根本不应该被规范化？但是我不能在最后一层上使用sigmoid函数。此外，我想将我所有的核范围定在0-1之间。sigmoid函数用于分类问题，它是0还是1。但是在回归问题中，你需要处理一个连续的数字范围。但是Sigmoid范围是0-1，如果分数在0-1之间，我不能在最后一层使用它吗？好的，这是我的观点。在[0，1]上定义输出的所有实数值都定义了sigmoid。它对于输出为
0
或
1
的二进制分类非常有用。在回归中，这真的很伤人。。为什么？因为
sigmoid（10）=0.9999
，和
sigmoid（20）=0.9999
，
sigmoid（30）=0.9999
。。。这就是为什么