Масштабируемость перспективных функций в машинном обучении?

Question

У меня есть вопрос о том, как работает масштабирование объектов после обучения модели.

Допустим, модель нейронной сети предсказывает высоту дерева, обучаясь при температуре наружного воздуха.

Самый низкий показатель снаружитемпература в моих тренировочных данных 60F, а максимальная 100F.Я измеряю температуру от 0 до 1 и тренирую модель.Я сохраняю модель для будущих прогнозов.Через два месяца я хочу предсказать некоторые новые данные.Но на этот раз минимальная и максимальная температуры в моих данных испытаний составляют -20F и 50F соответственно.

Как с этим справляется обученная модель?Диапазон, на который я наложил масштабирование в обучающем наборе для генерирования моей обученной модели, не соответствует диапазону тестовых данных.

Что помешает мне жестко кодировать диапазон для масштабирования, чтобы я знал, что данные всегда будутбыть в пределах, скажем, от -50F до 130F?Проблема, которую я вижу здесь, заключается в том, что у меня есть модель с множеством функций.Если я навязываю разные жесткие масштабы для каждой функции, использование масштабирования по сути бессмысленно, не так ли?

Answer 1

Различные весы не будут работать.Ваша модель обучается по одной шкале, она учится по одной шкале. Если вы измените шкалу, ваша модель все равно будет думать, что это та же шкала, и делать очень смещенные прогнозы.

Обучение снова перезапишет то, что выучили раньше.

Итак, да, жестко закодируйте масштабирование (предпочтительно непосредственно в ваших данных, а не внутри модели).

И для качественного результата тренируйтесь со всеми данными, которые вы можете собрать.