在时间序列分类问题中规范化数据 - 递归神经网络

Posted 2023-02-16

【中文标题】在时间序列分类问题中规范化数据 - 递归神经网络

【英文标题】：Normalizing data in a time series classification problem - Recurrent Neural Networks

【发布时间】：2021-04-05 16:40:20

【问题描述】：

我正在解决一个问题，我需要使用 LSTM 从运动传感器数据中预测几个输出类之一。有两个不同的传感器，每个都有三个通道并具有不同的测量单位。对于每个记录，我使用最小-最大归一化来将幅度传感器水平置于 0 和 1 之间（对于每个传感器单独）。

这样做后，我发现在使用归一化时，我的网络确实会更快地收敛到最终值（在准确度方面），但与在相同网络设置下使用非归一化数据时相比，性能要低得多。

据我了解，归一化具有帮助训练的优势，但如果获得性能优势，是否真的有必要坚持使用性能较低的网络来接收归一化输入。我没有那么有经验，希望其他人对此发表评论。

谢谢！

【参考方案1】：

如果这是主要优先级，我会使用性能更好的网络。标准化的目标通常只是为了让你的损失在训练期间不会爆炸。因此，当值非常大时，它通常会改善结果。但是，有时当值已经很小时，标准化会使情况变得更糟。您的值范围也可能太小。您可能想尝试在 (0, 2) 或更大范围之间进行归一化。但是，如果没有标准化的性能已经令人满意，我不会打扰。

【讨论】：

非常感谢！我会尝试改变范围。如果我能获得接近非标准化数据的性能，我将保留标准化值