我使用反向传播神经网络进行多类分类。

我的数据如下所示

65535, 8710, 55641, 5396, 23.605664062565535, 8600, 65535, 5305, 10.031835937564539, 8664, 65535, 5305, 11.0232421875 65535, 8674, 65535, 5257, 21.96210937532018, 8661, 65535, 5313, 2.898632812535569, 8665, 65535, 5289, 2.849414062499999723652, 8656, 65535, 5260, 22.480664062542031, 8551, 65535, 5239, 2.729882812565535, 8573, 65535, 5232, 10.3728515625

在将数据输入网络之前，我将其缩放到[0,1]范围内

目标如下：

[0, 1, 1, 0, 2, 2, 0, 2, 1]

我是否需要将目标标准化到[0,1]范围内？

回答：

只有在回归问题中，当你的网络需要预测一个（可能是向量的）实值时，标准化目标才有意义。

在你的案例中，目标值过于“圆整”，显然是类别指示器。因此，解决回归问题将是不正确的，你需要选择分类方法。在这种情况下，标准化目标将是完全错误的：你会使目标值无法比较（因为计算机浮点运算的限制不允许我们将浮点数进行相等比较），而且不会简化神经网络（或任何其他机器学习算法）的工作，因为这些类别的数值完全没有被使用。