深度学习做回归问题如何对数据集进行标准化，归一化？

Question

问题描述

使用深度学习RNN模型预测目标轨迹。输入过去一段时间目标的运动轨迹预测未来某一时刻目标的位置。现在已有一些轨迹的数据，在训练之前应该如何对数据进行标准化/或者归一化呢？或者是不需要进行这个处理？（自己试了没有标准化数据时模型难以训练，使用的损失函数是mean_squared_error）

找的一些标准化/归一化方法

1. zero-mean normalization

   x  = (x - μ ) / σ  # μ是样本均值，σ是样本方差
   

   很多文献和网上的例子使用这种方法，但是这个方法有个很严重的问题，公式中的μ ， σ是更具已有的数据集计算得到的，实际运用中是想利用新测到的数据预测目标未来的位置，显然新测量到的数据无法使用原来的μ ，σ进行处理。

2. Min-max normalization

   x = (x - min)/(max - min)  #min是样本最小值，max是样本最大值
   

   由于目标的位置，例如（x, y）未知，min和max无法确定，网友建议使用理论的最大值，最小值计算，但是这可能导致数据发布极不平衡，暂时没尝试过这种方法。

3.**atan函数转换**

x = atan(x) * 2 / π

这个方法可以把数据映射到[0,1]。使用这个方法遇到了两个个问题，使用反正切计算后得到的预测结果偏差很大（模型训练时损失在0.02以下），另一个问题是，由于模型有误差，当真实值接近1（标准化以后）时，模型预测可能超过1，这样计算反正切结果为负，所以放弃这种方法。

寻求的帮助

请问各位大佬，这类问题应该怎么对数据集进行预处理，网上找的很多方法，并没有很好的解决。

Answer 1

我的做法是使用Min-max归一化，记录模型训练使用的数据的最大值和最小值，训练过后进行预测时，使用训练时记录的最大值和最小值对预测结果进行反归一化。