我目前正在使用反向传播研究人工神经网络，用于分类任务。然而，我对规范化我正在使用的数据集有点困惑（我没有强大的统计/概率背景）。
数据示例如下所示：
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
每个标记的最后一个标记是类。
现在，由于我使用的是 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归一化/缩放。
我的第一个问题；我需要同时扩展功能和类，还是只扩展类？
我的第二个问题，是否有任何“事实上的”或常用的方法来进行这种缩放？
问候， 杰克亨特
通常建议同时扩展功能。缩放应该像 scaled_feature = (feature - min(featurearray))/(max(featurearray) - min(featurearray)) 一样简单。
所以对于第一个属性列，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)
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。
但是，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差）。或者，还有一种称为 z 轴归一化的技术，其中将一个额外的分量添加到归一化向量中。有时，绝对不需要缩放。