含正负值数据集归一化至0-1后预测不佳，求保留正负值的优化方案

我手头的数据集包含正负值，用MinMaxScaler归一化到0-1区间后预测效果很差；但把负值转成绝对值后再归一化，效果有明显提升。我希望在保留原始数据正负属性的前提下，让模型获得同样好的预测表现。

当前模型最后一层用Sigmoid激活，结构如下：

model = Sequential()
model.add(LSTM(64, activation='relu', return_sequences=False, input_shape=(50,89)))
model.add(Dense(32, activation='relu'))
model.add(Dense(16, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='mse', optimizer=Adam(learning_rate=0.002), metrics=['mse'])
model.summary()

两种归一化方式的代码 #

用abs()处理负值的归一化代码 #

df = pd.read_csv('1113_Rwalk40s1.csv', low_memory=False)
columns = ['Fx', 'Fy', 'Fz', 'Mx', 'My', 'Mz']
selected_df = df[columns]
FCDatas = selected_df[:2050]
FCDatas = abs(FCDatas)

SmartInsole = np.array(SIData[:2050])
FCData = np.array(FCDatas)
Dataset = np.concatenate((SmartInsole, FCData), axis=1)

scaler_in = MinMaxScaler(feature_range=(0, 1))
scaler_out = MinMaxScaler(feature_range=(0, 1))
data_scaled_in = scaler_in.fit_transform(Dataset[:,0:89])
data_scaled_out = scaler_out.fit_transform(Dataset[:,89:90])

注：该方式下模型预测效果更优

未用abs()的原始归一化代码 #

df = pd.read_csv('1113_Rwalk40s1.csv', low_memory=False)
columns = ['Fx', 'Fy', 'Fz', 'Mx', 'My', 'Mz']
selected_df = df[columns]
FCDatas = selected_df[:2050]

SmartInsole = np.array(SIData[:2050])
FCData = np.array(FCDatas)
Dataset = np.concatenate((SmartInsole, FCData), axis=1)

scaler_in = MinMaxScaler(feature_range=(0, 1))
scaler_out = MinMaxScaler(feature_range=(0, 1))
data_scaled_in = scaler_in.fit_transform(Dataset[:,0:89])
data_scaled_out = scaler_out.fit_transform(Dataset[:,89:90])

注：该方式下模型预测效果较差

• 替换归一化策略：MinMaxScaler(0,1)会把正负值压缩到0-1区间，丢失了原本的正负分布信息。可以试试：

  1. StandardScaler：将数据标准化为均值0、方差1，完整保留正负分布，适合带正负值的序列数据；
  2. MinMaxScaler(feature_range=(-1,1))：直接把数据归一化到-1到1区间，既做了缩放，又保留正负属性。

• 调整激活函数：

  1. 最后一层用Sigmoid会限制输出在0-1，但如果目标变量本身有正负，换成Tanh（输出-1到1）或Linear（无限制输出）更匹配，MSE损失同样适用；
  2. 前面的ReLU激活会直接丢弃负值梯度，换成LeakyReLU或ELU，保留部分负向信息，帮助模型学习正负差异。

• 优化特征处理：

  1. 对带正负值的特征单独做归一化/标准化，再和其他特征拼接，避免其他特征的分布干扰正负特征的表达；
  2. 新增二分类特征：给每个样本加一列标记（1为正，0为负），和原始特征一起输入，强化模型对正负属性的感知。

• 微调模型结构：

  1. 把LSTM的return_sequences=True，叠加一层LSTM，让模型捕捉更长序列中的正负变化规律；
  2. 加入Dropout层（如model.add(Dropout(0.2))）抑制过拟合，提升模型泛化能力。

内容的提问来源于stack exchange，提问作者lead step