归一化对 mlp 产生不好的结果
Normalization produce bad result for mlp
我尝试使用 Sklearn 和 MinMaxScaler 方法规范化我的数据 (0.1, 1)
但结果非常失望。
没有 MinMax 归一化，我的问题准确率为 78%，而使用 min-max 归一化，准确率下降到 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]
下面是我如何使用 sklearn 进行规范化：
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)
感谢帮助！
归一化并不总是会给你带来好的结果，因为你通过应用这种鉴别方法丢失了一些数据。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，但我仍然会要求您在 normalization/standardization 之后实施特征选择。
我尝试使用 Sklearn 和 MinMaxScaler 方法规范化我的数据 (0.1, 1) 但结果非常失望。 没有 MinMax 归一化，我的问题准确率为 78%，而使用 min-max 归一化，准确率下降到 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]
下面是我如何使用 sklearn 进行规范化：
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)
感谢帮助！
归一化并不总是会给你带来好的结果，因为你通过应用这种鉴别方法丢失了一些数据。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，但我仍然会要求您在 normalization/standardization 之后实施特征选择。