Question

我是神经网络的新手（只是免责声明）。

基于8个特征，我有一个预测混凝土强度的回归问题。我首先做的是使用min-max规范化重新调整数据：

# Normalize data between 0 and 1
from sklearn.preprocessing import MinMaxScaler

min_max = MinMaxScaler()
dataframe2 = pd.DataFrame(min_max.fit_transform(dataframe), columns = dataframe.columns)

然后将数据帧转换为numpy数组并将其拆分为X_train，y_train，X_test，y_test。现在这里是网络本身的Keras代码：

from keras.models import Sequential
from keras.layers import Dense, Activation

#Set the params of the Neural Network
batch_size = 64
num_of_epochs = 40
hidden_layer_size = 256

model = Sequential()
model.add(Dense(hidden_layer_size, input_shape=(8, )))
model.add(Activation('relu'))
model.add(Dense(hidden_layer_size))
model.add(Activation('relu'))
model.add(Dense(hidden_layer_size))
model.add(Activation('relu'))
model.add(Dense(1))
model.add(Activation('linear'))


model.compile(loss='mean_squared_error', # using the mean squared error function
              optimizer='adam', # using the Adam optimiser
              metrics=['mae', 'mse']) # reporting the accuracy with mean absolute error and mean squared error

model.fit(X_train, y_train, # Train the model using the training set...
          batch_size=batch_size, epochs=num_of_epochs,
          verbose=0, validation_split=0.1)

# All predictions in one array
predictions = model.predict(X_test)

问题：

预测数组将包含缩放格式的所有值（介于0和1之间），但显然我需要将预测置于其实际值中。如何将这些输出重新调整为实际值？
Min-Max或Z-Score标准化是否更适合回归问题？这个＆＃39;批量标准化＆＃39;

谢谢，

Answer 1

根据doc，inverse_transform类有一个$('body').on('click','[data-toggle="collapse"][data-mytarget^="$("]',function(){ eval($(this).data('mytarget')).collapse('toggle'); });方法可以满足您的需求：

inverse_transform（X）：根据feature_range撤消X的缩放。

Answer 2

For 1：使用inverse_transform()与您匹配的相同MinMaxScaler转换原始数据：

http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html#sklearn.preprocessing.MinMaxScaler.inverse_transform

将Keras模型的输出重新缩放回原始比例

2 个答案: