神经网络中数据的归一和还原

神经网络中常常用到归一化。
归一化要注意的点及代码如下（以最大最小归一化为例）：

1. 训练，测试数据分开归一化；X，y分开归一化。使用训练数据进行归一化，得到参数后，再用来归一化测试数据。X和y也要分开归一化，这样才好根据各自的参数对预测数据进行还原（inverse）。
   注意不要上来就对所有数据进行归一化，因为在实际使用中，我们并不知道预测数据的分布。

x_scaler = preprocessing.MinMaxScaler(feature_range=(0, 1))
y_scaler = preprocessing.MinMaxScaler(feature_range=(0, 1))
#先归一化训练数据
train_X = x_scaler.fit_transform(train_X)
train_y = y_scaler.fit_transform(train_y)
#再来归一化测试数据
test_X = x_scaler.transform(test_X)
test_y = y_scaler.transform(test_y)

2. 拿到归一化前数据的特征参数。比如最大最小值，以便后面进行还原操作。

y_max = train_y.max(axis=0)
y_min = train_y.min(axis=0)

3. 前面进行了归一化，因此我们得把预测数据还原才能使数据回到他的原始维度（否则都在0-1之间了）

prediction_y = prediction*(y_max-y_min)+y_min

其实都是些很简单的点，但是写一下就会印象深刻些，不会忘啦~上面的代码只是我的程序中截取出来的，只是个例子，不一定通用。