但是不想要归一化或缩放到相同长度

如果不想进行归一化或缩放到相同长度，你可以考虑使用一些基于RNN或CNN的模型，如LSTM、GRU、CNN等。这些模型可以处理不同长度的输入序列并生成相应的输出。但是，这样做可能会导致模型性能下降，因为模型难以处理不同长度的输入。因此，如果你的数据集中的序列长度差异很大，你可能需要使用其他技术来处理这个问题，例如使用注意力机制或者动态计算序列长度等。

相关问题

等比缩放的归一化和不归一化有什么区别

根据提供的引用内容，可以得知等比缩放的归一化是指将数据缩放到[0,1]区间，而不归一化则是不进行任何缩放处理。因此，等比缩放的归一化和不归一化的区别在于数据的取值范围不同。等比缩放的归一化将数据缩放到[0,1]区间，使得不同特征的取值范围相同，有利于模型的训练和预测。而不归一化则可能导致不同特征的取值范围不同，影响模型的精度和收敛速度。

归一化相关函数是将相干长度归一化了吗

归一化相关函数是将数据的量级进行调整，使得不同指标之间的量级差距变小，从而避免量级差异对结果产生较大影响。归一化函数可以将数据映射到指定的范围内，常用的归一化方法有最小-最大归一化和Z-score归一化。

最小-最大归一化（mapminmax）是一种常用的归一化方法，它将数据线性映射到指定的范围内，通常是[0, 1]或[-1, 1]。该方法通过计算每个数据点与数据集的最小值和最大值之间的比例来进行归一化。

Z-score归一化（zscore）是另一种常用的归一化方法，它将数据转化为均值为0，标准差为1的正态分布。该方法通过计算每个数据点与数据集的均值和标准差之间的差异来进行归一化。

反归一化（reverse）是将归一化后的数据恢复到原始的量级。在使用归一化函数进行数据处理后，如果需要将处理后的数据恢复到原始的量级，可以使用反归一化函数。

下面是一个MATLAB的示例代码，演示了如何使用mapminmax函数进行归一化和反归一化操作：

clc; clear;

% 原始数据
x = [2, 3, 4, 5, 6; 7, 8, 9, 10, 11];
y = [2, 3; 4, 5];

% 归一化
[guiyix, ps] = mapminmax(x, 0, 1);

% 应用归一化参数到新数据
guiyiy = mapminmax('apply', y, ps);

% 反归一化
reverse_data = mapminmax('reverse', guiyiy, ps);