我是机器学习的新手，所以仍然想将概念围绕在脑海中，如果我的问题可能不够准确，请记住这一点。
我正在使用带有LSTM层的Tensorflow JS模型构建时间序列预测（RNN）。
每隔几百毫秒（以随机间隔）对所使用的数据集执行ping操作。但是，所产生的数据可以在很宽的范围内，例如收到的大多数数据将具有值20、40、45等。然而，有时该值在最末端将达到75,000。
因此数据范围在1到75,000之间。
[当我使用标准的最小/最大方法对该数据进行归一化以产生0-1之间的值时，大多数数据请求的归一化数据将占据许多小的有效小数位。例如：“ 0.0038939328722009236”
所以我的问题是：
1）这个最小值/最大值是标准化此类数据的最佳方法吗？
2）RNN模型在这么多有效的小数位数和精度下是否能很好地工作？
3）我也应该规范输出标签吗？ （其中将有1个输出）
更新
我刚刚在Google快速课程中发现了一个很好的资源，可以为ML准备数据。建议的一种技术是在极端情况下“剪切”数据。以为我会在此处添加以供参考：https://developers.google.com/machine-learning/data-prep
经过更多研究之后，我认为我现在有一个不错的解决方案；
我将执行两个步骤，第一步是使用“分位数存储”（有时也称为“ binning”参考：https://developers.google.com/machine-learning/data-prep/transform/bucketing。]]
有效地，它涉及将值范围划分为较小的子集范围，并将整数值应用于每个较小的值范围。例如初始范围是1到1,000,000，可以细分为100k。因此1到100,000将是范围1，100,001到200,000将是范围2。
为了使每个存储桶范围内的样本均匀分布，由于我的数据集偏斜，我修改了子集范围，以便它们在每个“存储桶”范围内捕获大致相同的样本。例如，上面示例的第一个范围可以是1到1,000，而不是1到100,000。下一个范围范围是1,001至2,000。第三个可能是2,001至10,000，依此类推。
在我的用例中，我最终得到22个不同的存储范围。下一步是我自己的修改，因为我不想拥有22个不同的功能（如链接中所建议）。取而代之的是，我将标准的最小/最大缩放比例应用于这些存储分区范围，从而仅需要1个功能。这为我提供了0到1之间的归一化数据的最终结果，可以完美地处理偏斜的数据集。
现在我得到的最低归一化值（0除外）是0.05556。
希望这对其他人有帮助。