Python Keras：将预测与标准化数据训练的模型一起使用？

我正在Keras中创建一个深度神经网络，使用表格数据执行NN回归。最佳实践是规范化输入和输出序列。我还想使用

predict

函数为各种输入集提供模型输出的估计值。如果训练数据被规范化，我假设我还需要使用相同的缩放参数规范化

predict

数据集。最好的方法是什么？有没有一种方法可以自动标准化模型内的数据？

没有最好的方法可以做到这一点（取决于问题），但最常见的方法是标准化列车和测试数据，使其具有平均值0和标准偏差1

---

是的，如果您将合理大小的批次输入到网络中，您可以使用自动规范化模型中的数据。这可能会产生与数据增强类似的效果，因为网络在训练期间看到的信号很少重复（例如，信号现在取决于整个批次）。在Keras中，这可以通过在输入层之后添加一个层来实现。

我通常喜欢使用sklearn，它确实保存了参数，并允许您将其“逆变换”回原始值。对于预测，您将通过逆_变换函数发送它们，以获得它们的实际预测值

这里有一个工作示例供您参考。定标器的参数可以很容易地调整

from sklearn.preprocessing import MinMaxScaler, StandardScaler
import numpy as np

example = np.array([0., 1., 1., 0., 2., 3., 4., 4., 5.]).reshape(-1, 1)

# MinMax Scaling Example
scaler = MinMaxScaler(feature_range=(0.01, 0.99))
min_max_scaled = scaler.fit_transform(example)
min_max_orig = scaler.inverse_transform(min_max_scaled)

# Normalizing Example  (mean 0, std 1)
norm = StandardScaler()
normalized = norm.fit_transform(example)
normalized_orig = norm.inverse_transform(normalized)

---

这两个答案都很有帮助@chris这看起来是我将要使用的解决方案。除了规范化输入之外，我建议使用批处理规范化