模型在喀拉拉邦预测后如何恢复原始值？

Question

这是一个更具概念性的问题，但是我不得不承认我已经处理了一段时间。

假设您想使用例如keras训练神经网络（NN）。建议您在训练之前对数据进行标准化或标准化，例如，进行标准化：

x_new = (x_old - mean)/standarddev

然后，您进行培训（model.fit在keras中）并最小化损失函数，所有这些都非常好。

编辑：就我而言，我有一组介于200和400之间的值。这是一个具有1个输入，1个输出的NN。正如我所说的那样，对输入值和期望值进行标准化，因此NN以标准化的方式学习权重和偏差。

现在，假设我有一个全新的值在200到400之间的数据集，并且我想使用先前训练的NN来预测输出。您可以model.predict(x)在keras 中使用x我收到的，标准化（或规范化）的全新值集，因为您的NN是以这种方式训练的。但是，之后得到的predict是标准化的值数组，但我想将它们映射到通常的200到400范围。而且我不知道该怎么做。

我知道您可以在不进行标准化或标准化的情况下进行训练，但我读过，如果您进行标准化（或标准化），其值应在单位（神经元）的输出范围内（例如，对于0到1，乙状结肠），训练会改善。

谢谢。

Answer 1

好的，我认为我正确地了解了您的问题，因此我将尝试向您解释如何处理数据标准化：

1.关于输入和输出的分布的假设：通常在神经网络训练中-您假设您的数据（输入和输出）都来自某种概率分布：我们将其称为输入X和输出Y。在训练阶段，有一些原因使这种分布为零均值并且具有单位标准差。

2.数据归一化和恢复的统计部分：因此，您在训练网络时必须解决另一项任务。这项任务是估计输入分布X和输出分布Y的均值和标准差。您只需将经验均值和标准差应用于训练数据即可。

3.应用阶段-输入：当您将模型应用于新输入时，您还假设输入来自离散X，因此您还需要将其标准化为零均值和单位标准偏差，这是一个有趣的部分-您可以同时使用训练集和一组新数据来获得X的均值和标准差的更好估计，但要避免在验证情况下过拟合-通常使用在训练阶段获得的均值和标准差来使新数据标准化。

4.应用阶段-输出：这部分比较棘手，因为当您将网络应用于新的标准化输入时，会从Y *〜（Y-均值（Y））/ sd'（Y）获得新的输出，其中均值'（Y）和sd'（Y）是根据经验从训练集中获得的均值和标准差的估计值，而Y是输出的原始分布。这是因为在训练集期间，您会将来自此分配的输出数据提供给优化器。因此，要使您的输出变得标准化，您需要应用以下转换：Y * * sd'（Y）+ mean'（Y）。这与标准转换相反。

摘要：

您的培训和申请阶段如下：

1. 通过计算训练输入的经验均值和标准偏差（均值'（X）和sd'（X）以及输出的经验均值和标准差（均值'（Y）），您将获得训练阶段和应用阶段所需的统计信息和sd'（Y））。存储它们很重要，因为在应用程序阶段将需要它们。
2. 您将输入和输出数据均标准化为零均值和单位标准偏差，并在其上训练模型。
3. 在应用阶段，通过将输入减去存储的平均值'（X）并除以存储的sd'（X），即可对输入进行标准化处理，以获得新的输出Y *
4. 您可以使用在训练阶段获得的存储均值'（Y）和sd'（Y）通过转换（Y * * sd'（Y）+ mean'（Y）来对输出进行标准化。

我希望这个答案能解决您的问题，并让您毫无疑问地对数据进行标准化和反标准化：)