本人初学一段时间，因为模型只包含一层输入层和LSTM，所以采用了
min_max_scaler = preprocessing.MinMaxScaler()
data_array = min_max_scaler.fit_transform(data_array)这样的预先归一化的方法，训练数据的最大最小范围在8000～10000，训练完毕后该如何对测试和真实预测数据进行归一化呢，两个疑惑：
1.测试与预测数据范围与训练数据不同，出现了6000或者更低更高的情况，这种情况下sklearn的函数训练MAX，MIN与真实情况不一样，该如何处理？
2.训练数据batch较大为128，预测数据只有1size，这种在代码上如何处理？
另外，能否给出完整的代码区分训练，测试，预测呢，BN的处理也行，非常感谢，使用的是tensorflow
1个回答
我觉得你不能分别对train和test做标准化，不然就会有问题。你应该对train做标准化，然后用标准化的结果作用在test上。
比如
# 对整个训练集标准化
min_max_scaler = preprocessing.MinMaxScaler()
train_scaled = min_max_scaler.fit_transform(train)
# 利用上面的min_max_scaler对某一个测试样本进行标准化
test_sample_scaled = min_max_scaler.transform(test_sample)至于第二个问题，本来predict的时候就是一个个进行预测的，没有所谓的batch吧
SofaSofa数据科学社区DS面试题库 DS面经
lllinnn
2018-12-01 16:16
相关讨论
随便看看