我使用了MinMax归一化来对我的数据集进行归一化处理，包括特征和标签。我的问题是，是否也应该对标签进行归一化？如果是的，那么如何对神经网络的输出（即使用归一化的测试集进行预测的输出）进行反归一化处理？
我无法上传数据集，但它由18个特征和1个标签组成。这是一个回归任务，特征和标签都是物理量。
因此，问题在于y_train_pred和y_test_pred的值在0和1之间。我如何预测“真实值”？
代码如下：
dataset = pd.read_csv('DataSet.csv', decimal=',', delimiter = ";")label = dataset.iloc[:,-1]features = dataset.drop(columns = ['Label'])features = features[best_features]X_train1, X_test1, y_train1, y_test1 = train_test_split(features, label, test_size = 0.25, random_state = 1, shuffle = True)y_test2 = y_test1.to_frame()y_train2 = y_train1.to_frame()scaler1 = preprocessing.MinMaxScaler()scaler2 = preprocessing.MinMaxScaler()X_train = scaler1.fit_transform(X_train1)X_test = scaler2.fit_transform(X_test1)scaler3 = preprocessing.MinMaxScaler()scaler4 = preprocessing.MinMaxScaler()y_train = scaler3.fit_transform(y_train2)y_test = scaler4.fit_transform(y_test2)optimizer = tf.keras.optimizers.Adamax(lr=0.001)model = Sequential()model.add(Dense(80, input_shape = (X_train.shape[1],), activation = 'relu',kernel_initializer='random_normal'))model.add(Dropout(0.15))model.add(Dense(120, activation = 'relu',kernel_initializer='random_normal'))model.add(Dropout(0.15))model.add(Dense(80, activation = 'relu',kernel_initializer='random_normal'))model.add(Dense(1,activation = 'linear'))model.compile(loss = 'mse', optimizer = optimizer, metrics = ['mse'])history = model.fit(X_train, y_train, epochs = 300, validation_split = 0.1, shuffle=False, batch_size=120 )history_dict = history.historyloss_values = history_dict['loss']val_loss_values = history_dict['val_loss']y_train_pred = model.predict(X_train)y_test_pred = model.predict(X_test)回答：
你应该进行反归一化处理，以便获得神经网络的实际世界预测值，而不仅仅是0到1之间的数值。
Min-Max归一化定义如下：
z = (x - min)/(max - min)其中z为归一化后的值，x为标签值，max为x的最大值，min为x的最小值。所以，如果我们有z、min和max，我们可以按以下方式求解x：
x = z(max - min) + min因此，在归一化数据之前，如果标签是连续的，定义变量来保存标签的最大值和最小值。然后，在得到预测值后，你可以使用以下函数：
y_max_pre_normalize = max(label)y_min_pre_normalize = min(label) def denormalize(y): final_value = y(y_max_pre_normalize - y_min_pre_normalize) + y_min_pre_normalize return final_value并将此函数应用于你的y_test/y_pred，以获得相应的值。
