我正在使用Backpropagation进行人工神经网络，以进行分类任务。然而，我对我正在使用的数据集的规范化感到有点困惑（我没有强大的统计数据/概率背景）。
数据样本如下所示：
5.1, 3.5, 1.4, 0.2, 1
5.2, 2.7, 3.9, 1.4, 2
5.9, 3.0, 5.1, 1.8, 3
每个人的最后一个标记是该类。
现在，由于我正在使用Sigmoid传递函数，我的网络显然无法输出大于1的值，因此需要对数据进行规范化/缩放。
我的第一个问题;我需要扩展功能和类，还是只需要扩展类？
我的第二个问题是，是否存在任何“事实上”或常用的缩放方法？
此致 杰克亨特
答案 0 :(得分：2)
通常建议您也扩展功能。缩放应该与scaled_feature =（feature - min（featurearray））/（max（featurearray） - min（featurearray））一样简单。
因此，对于第一个属性列，新数据将是： （5.1-5.1）/（5.9-5.1）; （5.2-5.1）/（5.9-5.1）; （5.9-5.1）/（5.9-5.1）
答案 1 :(得分：1)
实际上，缩放主题是采用机器学习算法（尤其是人工神经网络）的最重要方面之一。
是的，（feature-min / max - min）方法是一种可能性。
然而，还有一系列其他方法。例如，您可以使用z分数（根据与平均值的标准偏差）。或者，还存在称为z轴归一化的技术，其中将额外分量添加到归一化矢量。有时，绝对不需要缩放。