使用CNN训练后验证集R²为负的原因排查

我正在尝试使用卷积神经网络（CNN）进行非线性拟合，待拟合曲线如图所示。我将数据整理为Numpy数组，每行代表一条曲线，包含512个数据点（特征）以及最后两列的目标参数（共2个拟合参数），训练数据集共19889条曲线。

# 划分特征与目标
X = df_array[:,1:-2]
y = df_array[:,-2:]

我使用Keras构建的模型如下：

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, 
activation='relu',data_format="channels_last", input_shape=(512,1)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='linear'))

模型编译与训练代码如下：

# 编译模型
model.compile(loss='mean_squared_error', optimizer= Adam(learning_rate=0.0001), metrics=['mean_squared_error', 'mean_absolute_error','r2_score','root_mean_squared_error'])

# 定义回调函数
early_stop = EarlyStopping(monitor='val_loss', patience = 25, verbose=2)
log_csv = CSVLogger('Model_2_IRF_extraction_lr00005.csv', separator= ',', append=False)
callbacks_list = [early_stop, log_csv]

# 训练模型
history = model.fit(X, y, validation_split=0.1, epochs=500, batch_size=10, verbose=2, callbacks=callbacks_list)

拟合过程正常运行，但验证集的R²值和损失表现异常（如图所示）。我怀疑问题与第一层的input_shape参数有关，但无法确定具体解决方案，请问我的CNN模型存在什么问题？

核心问题：输入数据维度不匹配 #

你的Conv1D层指定了input_shape=(512,1)，这要求输入必须是三维张量：(样本数量, 时间步长/特征长度, 通道数)。但你当前的X是二维数组(19889, 512)，缺少通道维度，这会导致模型实际接收的输入形状与预期不符，直接引发训练过程中损失和指标计算异常。

具体修正步骤 #

1. 补全输入数据维度
   在划分特征和目标后，给X增加通道维度，适配Conv1D的输入要求：

X = df_array[:,1:-2]
y = df_array[:,-2:]
# 重塑为三维形状：(样本数, 512, 1)
X = X.reshape(-1, 512, 1)

2. 其他潜在优化建议

• 数据归一化：CNN对输入数据的尺度敏感度高，建议先对特征数据做归一化处理，比如标准化到均值为0、方差为1的范围，能显著提升模型收敛的稳定性：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
# 先转二维做标准化，再转回三维
X_scaled = scaler.fit_transform(X.reshape(-1, 512))
X = X_scaled.reshape(-1, 512, 1)

• 调整训练参数：当前batch_size=10偏小，可尝试调整为32或64，平衡训练效率和稳定性；学习率0.0001若导致收敛过慢，可临时调高到0.001观察训练表现。
• 回调参数微调：EarlyStopping的patience=25可根据实际收敛情况调整，避免过早停止训练或错过最优模型。

内容的提问来源于stack exchange，提问作者Pin 8