我需要标准化神经网络的目标吗？答案

【问题标题】：Do I need to normalize targets for Neural Network?我需要标准化神经网络的目标吗？
【发布时间】：2015-03-05 09:00:15
【问题描述】：

我使用反向传播神经网络进行多类分类。

我的数据是这样的

65535, 8710, 55641, 5396, 23.6056640625
65535, 8600, 65535, 5305, 10.0318359375
64539, 8664, 65535, 5305, 11.0232421875 
65535, 8674, 65535, 5257, 21.962109375
32018, 8661, 65535, 5313, 2.8986328125
35569, 8665, 65535, 5289, 2.8494140624999997
23652, 8656, 65535, 5260, 22.4806640625
42031, 8551, 65535, 5239, 2.7298828125
65535, 8573, 65535, 5232, 10.3728515625

在将其输入网络之前，我将数据缩放到 [0,1] 范围内

目标是：

[0, 1, 1, 0, 2, 2, 0, 2, 1]

我是否需要将目标标准化到 [0,1] 范围内？

【问题讨论】：

你的目标是什么意思？
@Barmaley.exe 它们是训练集的目标值。所以训练集65535, 8710, 55641, 5396, 23.6056640625 的第一行属于“0”类。

标签： machine-learning artificial-intelligence normalization

【解决方案1】：

只有在regression 问题要求您的网络预测一个（可能是一个或多个）实数值的向量时，标准化目标才有意义。

在您的情况下，目标太“圆”，而且显然是类指标。因此，解决回归问题是不正确的，您需要改用classification。在这种情况下，标准化目标将是一场彻底的灾难：您会使目标无法比较（因为计算机浮动算法的限制不允许我们比较浮动是否相等）并且不会简化 NN（或任何其他 ML 算法）的工作，因为数值这些类中的一些根本没有使用。

【讨论】：