归一化对 mlp 产生不好的结果

【问题标题】：Normalization produce bad result for mlp归一化对 mlp 产生不好的结果
【发布时间】：2017-05-09 01:54:17
【问题描述】：

我尝试使用 Sklearn 和 MinMaxScaler 方法 (0.1, 1) 标准化我的数据但结果非常令人失望。如果没有 MinMax 归一化，我的问题的准确率是 78%，而使用 min max 归一化，它会下降到 71%。你知道可能是什么问题吗？

我的数据形状是：[n_samples][1D_vector_of_values]

这是我使用 sklearn 进行标准化的方法：

scaler = MinMaxScaler(feature_range=(0.1,10))
X = np.array(X)
X_test = np.array(X_test)
X = scaler.fit_transform(X)
X_test = scaler.fit_transform(X_test)

感谢您的帮助！

【问题讨论】：

标签： scikit-learn tensorflow neural-network deep-learning keras

【解决方案1】：

情况归一化并不总是会给您带来良好的结果，因为您通过应用这种区分方法会丢失一些数据。这完全取决于数据的性质。

我会尝试实施标准化而不是范围标准化，但要小心使用相同的标准化批次进行测试和验证。您没有向我们提供有关您的数据的更多信息，但我仍然要求您在规范化/标准化之后实施特征选择。

【讨论】：

您好，感谢您的回答！我正在使用来自 kaggle 的信用评分数据集。他们有形状[年龄，性别，年收入，每月账单，...]。一共10个字段。有没有办法确定何时应该应用标准化？标准化对标准化的兴趣是什么？对于特征选择，因为我使用的是神经网络，所以 nn 应该自己做，不是吗？谢谢！
这里有一个链接解释了差异。 benetzkorn.com/2011/11/data-normalization-and-standardization 正如您所说，保留所有功能可能很重要。当然，NN 不能为您完成这项工作。你的工作是进行特征构建，这将有助于构建最佳模型。