1回答

liuyubobobo

2019-03-06

以标准化处理为例：

把一个数字x归一化成为x_normalized，如果使用x_normalized = (x - μ) / σ 的话，

那么如果已知一个x_normalized，反向求出x的方式就是  x= x_normalized *  σ + μ

当然，你的归一化方式可能是其他方式，比如你可能使用最大最小归一化：

x_normalized = (x - xmin) / (xmax - xmin)，

那么反向，已知x_normalized，求x的方式就是 x = x_normalized * (xmax - xmin) + xmin

总之，就是将归一化的式子颠倒过来：）（反函数）

但是，对于机器学习算法来说，我们的模型是做预测，预测结果是某一个类（分类问题），或者一个数值（回归问题），所以我们只是对数据进行过一化处理（X），对结果是不需要归一化处理的(y)！（也不牵扯反归一化）。可以再仔细理解一下这个课程的实例，无论是房价预测，鸢尾花分类，手写识别还是人脸识别，我们从来不会对y做归一化处理，也不会对预测结果y做反归一化处理。我们训练的模型，测试数据输入之后，就可以直接得到结果。

但如果你训练模型的时候，喂给模型的那个y做过归一化处理，这个步骤其实已经和机器学习无关了。 就好比本来你的数据时高考学生数据，每个学生对应一个高考分数（0-750之间），但你先对这个高考分数做了归一化处理，变成0-1之间，那么你的模型预测的结果一定是0-1之间的数，你需要直到原先对y做归一化相应的参数（均值，方差，ymin,ymax），然后进行反向归一化。这个过程其实和机器学习的模型训练没关系：）

继续加油！：）

0

4

liuyubobobo

回复

Chris8

这个课程中讲的模型就是预测模型，一个 SVM 模型不能做归一化。如果训练的时候对数据进行了归一化，那么在进入 SVM 前需要做归一化。但是，生产环境中，算法工程师提供的可能是一个 pipeline，而不仅仅是一个预测模型。对于算法工程师提供的模块需要如何使用，需要询问相关人员，或者查询相关文档。

2020-04-17

共4条回复