3200×36数值数据集使用CNN分类无准确率输出的问题求助

核心问题清单 #

• 输入数据形状不匹配CNN要求：你的数据集是(样本数, 36)的二维结构，而Conv2D要求输入为四维格式(样本数, 高度, 宽度, 通道数)，需要先将36维的特征reshape为适合卷积的二维结构，比如(6,6,1)（6*6=36）或者其他符合你数据特征的长宽组合。
• 模型结构缺少维度转换层：卷积和池化层输出是四维张量，不能直接接入全连接Dense层，必须在池化层后加Flatten()层将多维特征压平为一维向量。
• 输入形状未显式定义：Sequential模型的第一层必须指定input_shape参数，否则模型无法正常初始化权重。
• batch_size设置不合理：训练集总样本只有3200*0.75=2400条，batch_size设置为8149远大于训练集总量，会导致每个epoch只迭代1次，模型收敛效率极低甚至无法收敛，建议设置为16/32/64这类常规值。
• 池化核尺寸不合理：原代码设置pool_size=4，对于66的输入特征来说池化后会直接压缩为11，丢失大部分特征信息，建议调整为2。

修复后可运行代码 #

from sklearn.model_selection import train_test_split
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten

x_train, x_test, y_train, y_test = train_test_split(feature, target, train_size=0.75, random_state=42)

# 将2维特征转换为Conv2D要求的4维输入格式，这里采用6*6的结构适配36维特征，单通道
x_train = x_train.reshape(-1, 6, 6, 1)
x_test = x_test.reshape(-1, 6, 6, 1)

y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

model = Sequential()
# 第一层显式指定输入形状
model.add(Conv2D(filters=64, kernel_size=3, activation='relu', input_shape=(6,6,1)))
model.add(MaxPooling2D(pool_size=2))
# 新增压平层适配全连接层输入要求
model.add(Flatten())
model.add(Dense(3, activation='softmax'))

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# 调整batch_size为常规值32
model.fit(x_train, y_train, epochs=100, batch_size=32, verbose=1)

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=1)
print(f"测试集损失：{test_loss:.4f}，测试集准确率：{test_acc:.4f}")

补充注意事项 #

如果你的36维特征有特定的空间结构含义，可以根据实际场景调整reshape的长宽参数，比如(3,12,1)等，只要长宽乘积等于36即可。

内容的提问来源于stack exchange，提问作者Sjn