实现输入的正常化是编制神经网络数据的关键步骤,它通过确保输入特性的大小相似,帮助提高训练稳定性和模型性能,该指南提供了有效实现数据正常化的实用方法,以取得更好的神经网络结果。

为什么将输入规范化?

神经网络在输入数据正常化时表现更好,因为它减少了某些特征支配其他特征的机会. 正常化可以导致训练期间更快的趋同,提高准确性.

通用正常化技术

  • Min-Max缩放:] 将特性调整到固定范围,通常为[0,1].
  • 标准化:[] 将数据以零左右为中心,标准偏差为1.
  • robust 缩放: 使用中位数和间位数范围来降低外位数的影响.

执行正常化

规范化可以使用Python的sikit-learn等库实现,建议在训练数据上安装比例尺,然后将同样的转换应用到验证和测试数据中,以防止数据泄露.

标准化示例代码:

从 skularn.preprecess 导入标准缩放器[]

缩放器 = 标准缩放器

] train scaled = scaler.fit transform( ⁇ )] ⁇ .

⁇ test scaled = scaler.transform( ⁇ test) ] ⁇ T.