如何重塑地震数据张量以适配StandardScaler与Keras分类模型？

一、处理StandardScaler的维度错误 #

StandardScaler仅支持2维及以下数组，你的数据是3维(629,3,15001)，需根据数据特性选择合适的重塑方式：

方式1：按通道（迹线）单独标准化 #

针对每条地震迹线独立做标准化，更符合多通道时序数据的处理逻辑：

from sklearn.preprocessing import StandardScaler
import numpy as np

# 假设原始数据为X，shape=(629,3,15001)
X_scaled = np.zeros_like(X)
scaler = StandardScaler()

# 遍历3条迹线，分别标准化
for channel_idx in range(X.shape[1]):
    # 取出当前通道的所有样本数据，shape=(629,15001)
    channel_data = X[:, channel_idx, :]
    # 拟合并标准化，结果放回原位置
    X_scaled[:, channel_idx, :] = scaler.fit_transform(channel_data)

方式2：将3维数据展平为2维后标准化 #

把每条数据的3条迹线合并成一个长向量，标准化后再恢复原形状（适合通道间数据分布相似的场景）：

# 展平为(样本数, 总特征数)，shape=(629, 3*15001)
X_flattened = X.reshape(X.shape[0], -1)
# 标准化
X_flattened_scaled = scaler.fit_transform(X_flattened)
# 恢复原3维形状
X_scaled = X_flattened_scaled.reshape(X.shape)

二、解决训练精度高但测试精度极差的问题 #

这是典型的过拟合现象，除了数据标准化，还需结合以下手段优化：

• 数据增强：对时序数据添加随机噪声、轻微时间拉伸、局部片段裁剪等，扩充训练样本多样性
• 正则化约束：在Keras模型中加入Dropout层（如Dropout(0.2)），或给卷积/全连接层添加L1/L2正则化（如kernel_regularizer='l2'）
• 简化模型结构：减少网络层数、降低神经元数量，避免模型容量远超数据复杂度
• 早停机制：使用EarlyStopping监控验证集损失，当损失连续多轮不下降时终止训练，防止过度拟合
• 交叉验证：采用K折交叉验证划分数据，更准确评估模型的泛化能力，避免单一划分带来的误差

内容的提问来源于stack exchange，提问作者David