我使用反向传播神经网络进行多类分类。
我的数据看起来像这样
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
在将其提供给网络之前，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为[0,1]范围？
答案 0 :(得分：2)
当您的网络被要求预测实际值（可能是矢量）时，规范化目标仅在regression问题中才有意义。
在你的情况下，目标太“圆”，显然是阶级指标。因此，解决回归问题是不正确的，您需要使用classification。在这种情况下，规范化目标将是一场彻底的灾难：你使目标无法比拟（因为计算机浮动算术的限制不允许我们比较浮点数是否相等）并且不会简化NN（或任何其他ML算法）的工作，因为数值其中没有使用这些类。