如何将神经网络的标准化输出转换回原始规模？答案

【问题标题】：How to convert standardized outputs of a neural network back to original scale?如何将神经网络的标准化输出转换回原始规模？
【发布时间】：2014-09-14 18:11:05
【问题描述】：

在我的神经网络中，我的输入从 0 到 719 不等，目标从 0 到 1340 不等。因此，我通过标准缩放对输入和目标进行标准化，使均值为 0，方差为 1。现在，我使用反向传播计算输出。我的所有输出都介于 -2 和 2 之间。如何将这些输出转换为原始比例，即位于 (0,1340) 范围内？

编辑：我有 1 个输入、5 个隐藏神经元和 1 个输出。我使用了逻辑 sigmoid 激活函数。我通过取平均值然后除以标准偏差来进行标准缩放。特别是，我的输出介于 -1.28 和 1.64 之间。

【问题讨论】：

您的问题中缺少一些重要信息。首先，您使用的是什么类型的神经元（或激活函数）？它们是线性的、S 型的还是其他的？神经元输出通常在 (0, 1) 或 (-1, 1) 范围内，因此不清楚为什么您的输出是 (-2, 2)。您的问题似乎还暗示您不能支持异常值（输出值不在您的训练数据范围内）。
@bogatron：我已经编辑了问题以添加详细信息。
您是已经对输出进行了缩放还是只是对输入进行了缩放？
是的，我将每个项目都减去均值，然后除以标准差，使均值为零，方差为一。

标签： python machine-learning neural-network

【解决方案1】：

假设目标的均值和标准差为mu 和sigma，则目标y 的归一化 值应为(y-mu)/sigma。在这种情况下，如果您得到输出 y'，您可以通过转换 y' -> mu + y' * sigma 将其移回原始比例。

【讨论】：

这不是一个等式。 '->' 用于表示'to'。

【解决方案2】：

logistic sigmoid 函数的输出在 (0, 1) 范围内。因此，要将输出 y 缩放到 (0, 1340) 范围，您只需将 y 乘以 1340。

一般来说，如果您想将逻辑 Sigmoid 输出扩展到(min, max) 范围内，您可以使用

y_scaled = min + (max - min) * y

【讨论】：

但是，我使用均值和标准差对输入进行了标准化，而我的输出不在 (0,1) 范围内。它们在范围内 (-1.28,1.64)。
输入的缩放与输出的缩放无关。 Logistic sigmoid 输出始终在 (0, 1) 范围内。因此，如果您的输出超出该范围，那么您要么已经在缩放您的输出（您应该在我的答案中用缩放公式替换它），或者您没有使用逻辑 sigmoids 作为输出（在这种情况下，您需要弄清楚您真正的正在使用）。