基于MATLAB实现的多层感知机(MLP)多变量输入数据回归预测模型与R2、MAE、MSE、R...

基于多层感知机(MLP)的数据回归预测MLP回归预测matlab语言多变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等方便学习和替换数据。之前帮朋友做财务季度营收的快速回归预测单变量用线性回归试了好几次R²都卡在0.7左右后来加了营销投入、渠道流量、上月库存周转率这几个变量想用MATLAB的Neural Net工具箱但生成的代码总有一堆自动命名的临时变量和冗余注释替换数据太麻烦就自己手写了个简化版多层感知机多变量回归脚本还加了常用的五个回归评价指标方便以后直接复制粘贴换Excel数据。基于多层感知机(MLP)的数据回归预测MLP回归预测matlab语言多变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等方便学习和替换数据。先放核心的主流程代码后面逐块唠唠怎么调参数、改数据%% 1. 准备数据 data xlsread(财务预测数据.xlsx); % 替换成你自己的Excel路径 input_data data(:, 1:end-1); % 前几列是输入变量 target_data data(:, end); % 最后一列是目标值 %% 2. 数据预处理 [input_norm, input_ps] mapminmax(input_data, 0, 1); % 归一化到[0,1]输入需转置 [target_norm, target_ps] mapminmax(target_data, 0, 1); input_norm input_norm; target_norm target_norm; %% 3. 划分训练/验证/测试集 train_ratio 0.7; val_ratio 0.15; test_ratio 0.15; [m, ~] size(input_norm); train_len floor(m * train_ratio); val_len floor(m * val_ratio); test_len m - train_len - val_len; train_in input_norm(1:train_len, :); train_tar target_norm(1:train_len); val_in input_norm(train_len1:train_lenval_len, :); val_tar target_norm(train_len1:train_lenval_len); test_in input_norm(train_lenval_len1:end, :); test_tar target_norm(train_lenval_len1:end); %% 4. 构建MLP模型 hidden_layer_size 10; % 隐藏层节点数朋友的数据试10个效果最好 net feedforwardnet(hidden_layer_size, trainlm); % 选Levenberg-Marquardt优化器收敛快 net.divideFcn dividerand; % 随机划分训练/验证/测试集 net.divideParam.trainRatio train_ratio; net.divideParam.valRatio val_ratio; net.divideParam.testRatio test_ratio; net.trainParam.epochs 1000; % 最大训练轮数 net.trainParam.goal 1e-7; % 训练目标误差 net.trainParam.max_fail 50; % 验证集误差连续上升50次就停止 %% 5. 训练模型 [net, tr] train(net, train_in, train_tar); %% 6. 预测 pred_train sim(net, train_in); pred_val sim(net, val_in); pred_test sim(net, test_in); %% 7. 反归一化 pred_train mapminmax(reverse, pred_train, target_ps); pred_val mapminmax(reverse, pred_val, target_ps); pred_test mapminmax(reverse, pred_test, target_ps); target_train mapminmax(reverse, train_tar, target_ps); target_val mapminmax(reverse, val_tar, target_ps); target_test mapminmax(reverse, test_tar, target_ps); %% 8. 计算评价指标 fprintf( 训练集评价指标 \n); calcMetrics(target_train, pred_train); fprintf( 验证集评价指标 \n); calcMetrics(target_val, pred_val); fprintf( 测试集评价指标 \n); calcMetrics(target_test, pred_test); %% 9. 可视化预测结果 figure(Position, [100, 100, 800, 500]); subplot(2,2,1); plot(target_train, b-, pred_train, r--); title(训练集预测); legend(真实值,预测值); subplot(2,2,2); plot(target_val, b-, pred_val, r--); title(验证集预测); legend(真实值,预测值); subplot(2,2,3); plot(target_test, b-, pred_test, r--); title(测试集预测); legend(真实值,预测值); subplot(2,2,4); scatter(target_test, pred_test); hold on; plot([min(target_test),max(target_test)], [min(target_test),max(target_test)], k-); title(测试集真实值vs预测值);然后是配套的评价指标计算函数calcMetrics.m直接新建个脚本文件保存就行function calcMetrics(target, pred) n length(target); % R2 rss sum((target - pred).^2); tss sum((target - mean(target)).^2); r2 1 - rss/tss; % MAE mae mean(abs(target - pred)); % MSE mse mean((target - pred).^2); % RMSE rmse sqrt(mse); % MAPE % 为了避免目标值为0导致分母为0这里加了个极小值1e-10 mape mean(abs((target - pred)./(target 1e-10))) * 100; fprintf(R²: %.4f MAE: %.4f MSE: %.4f RMSE: %.4f MAPE: %.2f%%\n, r2, mae, mse, rmse, mape); end唠唠几个关键点数据预处理为什么非要用mapminmax之前试过不处理数据直接喂模型收敛得超级慢有时候1000轮下来还在震荡因为输入变量的量纲差别太大了——比如营销投入是百万级库存周转率是个位数神经网络的激活函数默认是tansig/logsig/relevansig这几个非线性对量纲敏感归一化能把所有变量拉到同一尺度优化器更新权重的时候更稳定。隐藏层节点数怎么选朋友的数据是3个输入变量我一开始试了5、8、10、15这几个隐藏层10的时候验证集的R²最高到了0.92节点数太少容易欠拟合训练集和验证集的R²都低太多容易过拟合训练集R²接近1验证集掉下来。如果你的输入变量更多比如10个以上可以先按输入变量数*21的经验公式试试再上下微调。优化器和训练参数呢默认的Levenberg-Marquardttrainlm优化器对小数据集我这次只有48条季度数据的回归问题收敛最快精度也不错。训练轮数epochs设1000够了一般100-500轮就能收敛验证集连续上升50次max_fail50停止是为了防止过拟合。替换数据真的很简单只要把Excel的第一行标题删了xlsread读取纯数值前几列放你自己的输入特征最后一列放目标变量然后修改主流程代码里的xlsread(财务预测数据.xlsx)路径就行其他的预处理、划分、训练、预测、指标计算都是自动化的。最后的运行结果我用朋友的数据跑了一下测试集的指标是R²: 0.9157、MAE: 2.12万、MSE: 7.89万²、RMSE: 2.81万、MAPE: 3.25%比单变量线性回归提升了20%多朋友对这个精度已经很满意了至少能作为季度预算的参考。