将新输入数据归一化到经过训练的神经网络答案

【问题标题】：Data normalization for new inputs into a trained neural network将新输入数据归一化到经过训练的神经网络
【发布时间】：2014-05-15 00:28:53
【问题描述】：

我有一个反向传播神经网络，我使用 Kdb+ 数据库在 Q 中创建并对其进行了编码。

我正在将数据预处理到网络中，并将其归一化为 [0,1] 的形式，对网络进行训练并预测未来移动平均线的大型数据集分别分为 60:20:20。

归一化公式：

     processed data: (0.8*(VALn - MINn)/(MAXn - MINn))+0.1
     VALn = unprocessed data value
     MAXn = max of data set 
     MINn = min of data set

如何将新数据规范化到最终训练的网络中？

我是否可以通过上述公式运行新输入，并保留训练集中的 MIN 和 MAX 值？

谢谢

【问题讨论】：

标签： normalization theory data-processing neural-network

【解决方案1】：

是的，对于预测，您应该使用与训练数据的标准化相同的标准化公式。

【讨论】：

【解决方案2】：

您应该保持相同的 MAXn 和 MINn，因为在测试时更改它意味着您正在更改原始数据映射到已处理数据的方式。为了快速检查，尝试使用不同的 MAXn 和 MINn 进行预处理，然后尝试预测训练用例。您将获得较低的性能，因为标准化数据看起来不像以前那样。

请注意，如果您碰巧在测试集中有数据高于/低于 MAXn/MINn，那么标准化后这些数据将不在 [0,1] 范围内。如果这些情况不多，这通常是可以的。这仅仅意味着神经网络看到的数据几乎没有超出之前看到的范围。

【讨论】：