反归一化后CNN回归模型MSE骤增的原因及解决方法

• MSE的尺度依赖特性：MinMaxScaler将原始数据缩放到[0,1]（或指定范围），此时归一化后的误差本身数值极小，平方后的MSE自然很低。反归一化时，误差会被还原为原始尺度的误差——假设原始数据的范围是max_y - min_y，那么反归一化后的误差是归一化误差乘以max_y - min_y，对应的MSE就是归一化MSE乘以(max_y - min_y)²。如果原始测力台数据的数值范围很大（比如几万级别），平方后会让MSE骤增，这是完全正常的数学现象。
• 指标本质差异：R² Score是相对指标，衡量的是模型解释数据方差的比例，和数据的绝对尺度无关，所以反归一化前后R²几乎不变；而MSE是绝对误差的平方，完全依赖数据的绝对尺度，因此会随尺度放大而剧烈增长。

1. 无需强制让MSE数值一致：归一化前后的MSE处于不同尺度，没有直接可比性。真正需要关注的是反归一化后的MSE是否符合业务场景的误差容忍度，或者用**MAE（平均绝对误差）、MAPE（平均绝对百分比误差）**这类相对/绝对但不平方的指标来评估，这些指标的尺度变化更直观，也更容易判断模型效果。
2. 换用标准化（StandardScaler）：如果希望归一化前后的MSE差异更小，可以用StandardScaler将数据缩放到均值为0、方差为1的分布。此时反归一化后的MSE等于归一化MSE乘以原始数据的方差（MSE_original = MSE_norm * var_y），相比MinMaxScaler，当原始数据分布相对集中时，方差不会像(max-min)²那样大，MSE的增长幅度会小一些，但本质上还是尺度差异导致的变化，无法完全一致。
3. 直接用原始数据训练（谨慎尝试）：如果模型在原始数据上能正常收敛，可以跳过归一化步骤，这样训练和预测的MSE就处于同一尺度。但CNN模型通常对数据尺度敏感，原始数据范围过大可能导致梯度爆炸/消失，需要配合学习率调整、权重初始化等技巧。
4. 自定义损失函数（不推荐）：可以在训练时先将模型输出反归一化，再计算原始尺度的MSE作为损失。但这样损失值会非常大，可能影响优化器的稳定性，导致模型难以收敛，除非有针对性的优化策略，否则不建议使用。

内容的提问来源于stack exchange，提问作者stack offer