我的问题实际上很简单，我有两个规模差异很大的功能。因此，我通过将 scale=np.max(array) 用于数据和标签来使用简单的归一化。然后在预测之后，我将这个比例值乘回去。
但是由于我使用了 DNN，非线性会不会改变比例，所以使乘法无效？例如
given input data: X, label: y;
y' = y/scale
X' = X/scale
predicted = f(X')
predicted_update = predicted * scale
任何人都可以就我是否可以这样做或实际上不正确提供一些建议？我们如何处理这类问题？
我认为没关系，只要您的训练和测试数据的每个特征的最大值大致相同。这个想法是必须对训练集进行缩放（请记住，将测试集用于未测试的任何内容都是非法的，即使用于缩放也不行）。
因此，您实际上将拟合为的函数，并且您有一个正确映射的模型。当您获得测试数据时，您只需执行即可获得预测。如前一段所述，如果您有该，那么您可以通过执行。
编辑：不要担心非线性
即使函数是高度非线性的，它也是一个能够将映射到的函数。如果你相信这个函数并且相信的事实，那么就没有必要担心的作用方式，因为函数组合对于所有类型的函数都是有意义的，包括线性和非线性。
我从另一篇文章中看到： 如何在对归一化数据执行线性回归后获得原始系数？
和 https://stats.stackexchange.com/questions/201909/when-to-normalize-data-in-regression
看起来如果数据对回归是不变的，或者如果它是线性的，那么可以将系数乘回去。如果不是，一般是不准确的。因此，如果我们要预测价值，似乎最好不要规模化。我的各种测试表明缩减规模会变得更糟。希望其他人可以有更好的答案。