R中预测后的非规范化值

我不确定我是否正确地反规范化了数据。我有一个输出变量和几个输入变量。我正在使用。假设

x

是一个输入矩阵（

N

x

M

），其中

N

行中的每一行都是具有

M

特征的对象。而

y

是带有相应答案的向量（

N

）

nx <- normalizeData(x, type='0_1')

这是正确的吗？它是如何工作的？很明显，对于一个输入，它可以使用以前用于标准化的最小值和最大值。但是，如果每个输入分别使用其自己的最小值和最大值进行规范化，那么它是如何工作的呢

更新 下面是一个玩具示例，“0_1”看起来比“norm”好“范数”会产生巨大的训练误差和几乎恒定的预测

x <- runif(1020, 1, 5000)
y <- sqrt(x)
nx <- normalizeData(x, type='0_1')
ny <- normalizeData(y, type='0_1')
model <- mlp(nx[1:1000], ny[1:1000], size = 1)
plotIterativeError(model)
npy <- predict(model, matrix(nx[1001:1020], ncol=1))
py <- denormalizeData(npy, getNormParameters(ny))
print(cbind(y[1001:1020], py))

---

x这里发生了两件事：

训练模型，即在神经网络中设置内部系数。为此，您使用输入和输出
使用该模型，即获得具有固定内部系数的预测
对于第1部分，您决定规范化数据。因此，神经网络对归一化数据起作用。所以你已经训练了神经网络


在输入fX（X）而不是X上，其中fX是用于原始输入矩阵的变换，以生成规范化输入
在输出fy（y）而不是y上，其中fy是应用于输出向量以获得规范化输出的变换

就原始输入和输出而言，经过培训的机器现在看起来如下：


将规格化函数fX应用于输入，以获得规格化输入fX（X）
使用归一化输入运行神经网络，以产生归一化输出fy（y）
将非规范化函数fy-1应用于规范化输出fy（y）以获得y

请注意，fX（X）和fy以及fy-1都是在训练集上定义的

因此，在R中，您可以编写类似这样的内容来获取训练数据并对其进行规范化，前100行

tx <- x[1:100,]
ntx <- normalizeData(tx, type='0_1')
ty <- y[1:100]
nty <- normalizeData(ty, type='0_1')

我不太明白。你不是在用由特征和输出组成的训练集训练你的神经网络吗？但是，您只在获取预测值的上下文中提到
y
，而不是在培训的上下文中。我希望第一个
r
行，比如
x
，以及
y
的第一个
r
行将用于培训。剩下的部分，
N-r
用于预测。是的，你是对的。我在用输入和输出变量训练神经网络。对不起，如果不清楚的话。我在变量名上做了一些修正。看来我明白问题的解决方法。我应该使用y来反规范化数据。我想这是个好办法<代码>pred.y很高兴我的评论帮了你的忙。我当时没有看到你的评论，因为我正忙着写答案：请看一看，尽管看起来你已经在那里了！再看一遍，一个微妙的点是，我认为您应该使用用于培训的
y
的值来反规范化。在我看来，使用培训中用于
X
的规范化参数对您预测的
X
值进行规范化也可能更好。谢谢您的回答。您可能想说
pred.y@luckyi谢谢，我在您的评论之前编辑了答案，将
ny
替换为
nty
。也许你在看我最初的答案，我期待着你的评论？我们似乎一直在互相牵线搭桥！：）
tx <- x[1:100,]
ntx <- normalizeData(tx, type='0_1')
ty <- y[1:100]
nty <- normalizeData(ty, type='0_1')

pred.y <- denormalizeData(pred.ny, getNormParameters(nty))
                                                       # nty (or ny) not nx here