我对机器学习的数据预处理有一个一般性的问题。我知道将数据中心化到0（均值减法）、标准化数据（去除方差）几乎是必须的。还有其他可能的技术。这些技术必须用于训练数据和验证数据集。
我遇到了以下问题。我训练的神经网络用于对图像中的特定形状进行分类，如果不对需要分类的图像应用这些预处理技术，它就无法完成任务。这些“待分类”的图像当然不包含在训练集或验证集中。因此我的问题是：
对需要分类的数据应用标准化处理是正常的吗？还是说，如果不使用这些技术，我的网络表现不佳，这意味着我的模型在泛化方面失败了，并且过拟合了？
附注：在“待分类”图像上使用标准化后，我的模型表现相当好（约90%的准确率），如果不使用，准确率低于30%。
附加信息：模型：使用Keras和TensorFlow的卷积神经网络。
回答：
虽然在入门教程中很少明确提及（因此初学者经常感到沮丧），但显然，提供给模型进行分类的新数据必须经过与训练（和测试）数据相同的预处理步骤。
在这里确实需要一些常识：在各种机器学习建模中，新的输入数据预计应与用于训练和测试的原始数据具有相同的“一般形式”；相反的情况（即你尝试执行的情况），如果你停下来思考一下，你应该能够说服自己，这没有多大意义…
以下答案可以帮助你澄清这个想法，同时也说明了在必要时进行预测的“逆变换”情况：
