我一直在研究试图预测股票价格的研究论文。我注意到这些论文中，使用了以下几种类型的激活函数来处理输出：单极性Sigmoid、双极性Sigmoid、双曲正切、径向基函数。
我的问题如果上述类型的激活函数之一被应用于输出，那么它如何用于预测股票价格，例如$103.56这样的数值？因为这些函数中的大多数的取值范围在(0,1)或(-1,1)之间。
回复@bakkal在作为ANN的输入之前，输入数据根据MATLAB中定义的‘zscore’函数进行了标准化，其中减去了均值并用数据的方差进行了除法。目标输出也根据目标函数进行了标准化，按其最大值进行了除法，同时考虑了各自激活函数的上下限（单极性Sigmoid为(0,1)，双极性Sigmoid和双曲正切函数为(-1, 1)）。
你好，如下所述，如果激活函数没有应用于输出，那么能否解释一下粗体部分的段落，谢谢。
回答：
我们使用标准化将目标值映射到(0, 1)或(-1, 1)或根据您的激活函数所需的任何范围。通常，我们也将输入值映射到接近(-1, 1)的范围。最常用于缩放输入值的标准化方法是高斯标准化。如果输入向量是x，并且您使用的是numpy数组，那么以下是x的高斯标准化：
xScaled = (x-x.mean())/(x.std())其中mean()给出平均值，std()给出标准差。
另一种标准化方法是：
xScaled = (x-x.min())/(x.max()-x.min())这将输入向量值缩放到(0,1)范围内。
因此，您使用标准化的输入和输出值来加快学习过程。您也可以参考Andrew Ng的课程来了解为什么会这样。当您想将标准化值重新缩放回其实际值时，可以使用反标准化。例如，对于上述(0,1)标准化，反标准化将是：
x = x.min() + (x.max()-x.min())*xScaled您可以同样获得高斯情况的反标准化。
