У меня есть общий вопрос о предварительной обработке данных для машинного обучения. Я знаю, что это почти необходимо сделать, чтобы центрировать данные вокруг 0 (среднее вычитание), нормализовать данные (удалить дисперсию). Возможны и другие техники. Это должно использоваться для обучающих данных и наборов данных проверки.
Я столкнулся со следующей проблемой. Моя нейронная сеть, обученная классифицировать определенные формы на изображениях, не сможет этого сделать, если я не применю эти методы предварительной обработки к изображениям, которые должны быть классифицированы. Эти изображения для «классификации», конечно, не содержатся в обучающем наборе или наборе проверки. Таким образом, мой вопрос:
Нормально ли применять нормализацию к данным, которые должны быть классифицированы, или плохая производительность моей сети без этих методов означает, что моя модель плоха в том смысле, что она не смогла обобщить и подогнана?
P.S. с нормализацией, используемой для «классификации» изображений, моя модель работает достаточно хорошо (точность около 90%), не ниже 30%.
Дополнительная информация: модель: сверточная нейронная сеть с керасом и тензорным потоком.
