三、 反归一化的实现

在训练神经网络时我们需要将归一化后的后来啊映射到原来的取值范围内，这玩意儿过程称为反归一化。反归一化能用于提取真实实后来啊，判断神经网络的预测效果。反归一化的函数与归一化是相反的。

下面我们展示了怎么将归一化后的数据恢复到原始值，即反归一化的过程。本文介绍了怎么利用Python的sklearn库中的MinMaxScaler对时候序列数据进行归一化处理，使其缩放至0到1之间。

Min-max归一化是对原始数据进行线性变换， 将数据映射到指定区间内，其函数可表示为：

x = x' *  + min

反Z-score标准化

如果已知待反归一化值$x$、原本归一化的均值$mean$和标准差$std$，则能通过下式反推出$x$值：

在数据挖掘或机器学中，输入的数据来自于不同的数据源，其取值范围、量纲不同，这时候我们需要对这些个数据进行归一化或称作标准化。标准化后 将有利于搞优良机器学初始化速度、搞优良算法的收敛速度和精度，也能消除特征的量纲不同对模型的关系到。

其中，x为个个数据的标准化后来啊，mean为特征属性中的均值，std为标准差。

在数据挖掘或机器学中，输入的数据往往来自不同的数据源，其取值范围和量纲也不一致。比方说身高大和体沉不在一个量纲。这会对模型产生关系到，体眼下模型的预测效果不佳，不能足够表达数据的意义。归一化则能少许些特征间的关系到，许多些模型的鲁棒性。

其中， 一份轻巧松的python代码实现样例：

x = x' * std + mean

示例数据

x =  / std

数据归一化能通过最巨大最细小值标准化、Z-score标准化、对数变换、细小数定标等方法进行处理。最巨大最细小值标准化这种方法也称为离差标准化。

归一化指的是将数据按比例缩放，使之落入一个细小的特定区间。基本上有以下几个原因：

Y是按行归一化后的数组；PS是训练样本的数据的映射， 即PS中包含了训练数据的最巨大值和最细小值，如果不需要反归一化或者对全部指标都采用相同的映射就能不写；X是需要归一化的数据，注意考虑是不是要转置。

神经网络归一化函数mapminmax最细小最细小归一化法， 将数据归一化到之间，也能进行反归一化操作。

x =  / 

回答1

归一化是将数据缩放到0到1之间的过程，反归一化则是将缩放后的数据恢复到原始范围的过程。

对于要反归一化的数据x，先计算它在归一化后的范围内的值：

x_norm =  / 

然后将x_norm反归一化回原始范围：

x_orig = x_norm *  + min_A

利用numpy对矩阵进行归一化处理的方法

pytorch归一化与反归一化实例。在数据琢磨和机器学领域，数据预处理是至关关键的步骤，其中归一化是常见的操作之一。怎么基于python实现归一化处理。

归一化和反归一化matlab程序。材料中包括归一化程序及对应的反归一化程序，test程序是对上述两种程序的测试样例。

一旦确定优良神经网络的架构后 其权沉参数需要初始化，如果权沉参数初始化太细小，则整个神经网络的输出太细小，使得网络学过程非常磨蹭磨蹭来需要更长远时候的学才能收敛。如果权沉参数初始化太巨大，则整个神经网络的输出太巨大，使得网络也无法学到更许多的知识。那么我们能通过归一化输入数据， 用一组更合适的初始权沉，默认初始化而不是0初始化，从而加迅速初始化速度。

def inverse_z_score_scale:
    """Inverse Z-score scaling"""
    mean, std = np.mean, np.std
    inv_data = inverse_data * std + mean
    return inv_data

归一化与反归一化在数据挖掘和机器学中起着关键的作用。在归一化方面 最常用的方法是Min-max归一化和Z-score标准化；在反归一化方面只需要方法，并将映射到指定区间或者均值为0，标准差为1的分布的后来啊 还原回去即可。

其中，x为个个数据的归一化后的后来啊，min和max分别为特征属性中的最细小值和最巨大值。

R生成连续序列， 生成再来一次序列，seq，rep84054R里数字常规除法，整除，求余，取整，向上取整，向下取整，四舍五入82629，Python实现，来自雪球，47104BP神经网络，BP推导过程，反向传播算法，误差反向传播，梯度减少...

def min_max_scale:
    """Min-max scaling"""
    return ) /  - np.min)

Z-score标准化是将原始数据转化为均值为0，标准差为1的分布。其函数可表示为：

在神经网络中， 一般用梯度减少算法进行反向传播学，而梯度减少算法需要计算梯度值来取得最佳av_min，如果收敛磨蹭，不仅会耗费更许多的计算时候，而且很轻巧松陷入局部最细小值中。归一化能缩细小特征间的差异，使得收敛速度更迅速，且不容易陷入局部最细小值。

本文将详细介绍怎么用Python的sklearn...

### 用MinMaxScaler进行数据归一化和反归一化

#### 数据归一化过程

为了施行数据的归一化，能利用sklearn.preprocessing.MinMaxScaler类。在进行数据归一化之后如果需要将已经归一化的数据还原回原始数据的范围，能用反归一化的方法。