我已经使用神经网络（反向传播）创建了一个模型，然后我想对一个实例进行分类。

我所做的：

• 对每个特征进行常规归一化处理
• 每个特征的值从0到1

问题是如何使用我之前创建的现有模型对某个特征（或某些特征）具有新值（或一些新值）的新实例进行分类？

有人有解决这个情况的方案吗？或者有我可以用来解决这个问题的参考资料吗？

谢谢

实际上，我与我在校园里的随机过程讲师讨论过，他提出了一个解决这个问题的想法，即通过分配我在构建模型过程中得到的误差来解决。然后，新实例可以匹配或查看实例在分布中的可能性（如高斯分布、混合高斯分布或经验分布）。但这个想法的问题是，我们仍然需要获得该实例的误差，以便我们可以在分布中查看可能性（或者说我们仍然需要将实例分类到与误差分布中使用的函数相同的现有模型/函数中）。

我还与我的朋友讨论过，他提出了一个使用FFT来替代实际归一化函数的想法，这样结果就不在某个范围内。但其效果可能是由于FFT函数结果带来的误差而增加误差。

回答：

作为短期解决方案，或许你可以根据属性的值，将属性的值设置为0或1（在原始数据集的范围内）。

长期解决方案是将这种情况包括在神经网络的未来训练中。此类值可能会导致其他实例的值向左或向右倾斜，因此可能需要对训练数据的预处理给予一些关注。

希望这对你有帮助！