用lstm进行多输入但单输出的预测，有八组输入特征，其中四组范围是-100到100之间，其他四组是-5到5之间，可以只对-100到100之间的进行归一化到（-1，1）而-5到5之间的不进行归一化吗

Question

用lstm进行多输入但单输出的预测，有八组输入特征，其中四组范围是-100到100之间，其他四组是-5到5之间，可以只对-100到100之间的进行归一化到（-1，1）而-5到5之间的不进行归一化吗

Answer 1

以下回复参考：皆我百晓生、券券喵儿等免费微信小程序作答:

当然可以。对于不同范围的输入特征进行不同的归一化处理是常见的做法，特别是在深度学习模型中，如LSTM。归一化可以帮助模型更好地学习和处理数据。针对您的情况，可以如下操作：

1. 对-100到100之间的四组特征进行归一化到（-1，1）。
2. 对-5到5之间的四组特征不进行归一化。

在具体实现时，您可以使用Python中的sklearn库或者其他相关库进行归一化处理。下面是一个简单的例子，使用sklearn的MinMaxScaler进行归一化：

from sklearn.preprocessing import MinMaxScaler

# 假设inputs是您的输入数据，其中包含了八组特征
# inputs的每一行是一个样本，每一列是不同特征的值
inputs = ...  # 这里应该是您的数据

# 对前四个特征进行归一化
scaler = MinMaxScaler(feature_range=(-1, 1))  # 创建归一化对象
inputs[:, :4] = scaler.fit_transform(inputs[:, :4])  # 只对前四个特征进行归一化

之后，您可以正常使用这些处理过的数据来训练LSTM模型。需要注意的是，如果您的数据在训练集和测试集上的分布不同（例如测试集中的数据超出了训练集归一化的范围），那么在测试阶段可能需要重新调整或重新归一化测试数据。此外，如果您的应用场景需要模型对未来数据进行预测，还需要考虑如何将这些未来数据适当地归一化。