我正在努力在 CEA 分类数据集（二进制分类）上创建 MLP 模型。每个样本包含 4 个不同的特征，例如电阻和其他值，每个都在其自己的范围内（电阻以百为单位，另一个以微量为单位，等等）。我对机器学习还是个新手，这是第一个要构建的真实模型。我该如何处理这些数据？我已经尝试将每个样本馈送到具有 sigmoid 激活函数的神经网络，但我没有得到准确的结果。我假设处理这种数据是为了扩展它？如果是这样，有哪些有用的资源可供查看，因为我不太了解何时需要扩展。
【问题讨论】：
标签： machine-learning classification mlp
缩放数据可能是构建机器学习模型的重要一步，尤其是在使用神经网络时。缩放有助于确保数据集中的所有特征都具有相似的比例，这可以使模型更容易学习。
有几种不同的方法可以扩展数据，例如规范化和标准化。规范化是缩放数据的过程，使其具有 0 的最小值和 1 的最大值。标准化是缩放数据的过程，使其具有0 的均值和1 的标准差。
使用 CEA 分类数据集时，尝试规范化和标准化可能会有所帮助，以了解哪一个更适合您的特定数据集。您可以使用 scikit-learn 库的预处理函数，如 MinMaxScaler() 和 StandardScaler() 分别进行规范化和标准化。
此外，尝试不同的激活函数（例如 ReLU 或 LeakyReLU）可能会有所帮助，看看它们是否会产生更准确的结果。此外，您可以尝试在神经网络中添加更多层和神经元，看看它是否会提高性能。
同样重要的是要记住，特征工程（包括选择最重要特征的过程）可能比缩放更重要。
【讨论】：