基于Matlab的MLP多层感知机多输入多输出预测：处理数据集与评估性能

MLP多层感知机多输入多输出预测(Matlab) 所有程序经过验证，保证有效运行。 1.data为数据集，10个输入特征，3个输出变量。 2.MainMLPNM.m为主程序文件。 3.命令窗口输出MAE和R2，

最近在折腾Matlab的神经网络工具箱，发现用MLP做多输入多输出的预测其实挺有意思。咱们今天拿个实际案例开刀——10个输入特征预测3个输出变量，手把手带你看怎么玩转这个流程。（代码都跑通了，放心食用）

先看数据准备这块，数据标准化是必须的。Matlab的mapminmax用着顺手：

% 数据归一化 [inputn, inputps] = mapminmax(input_train'); [outputn, outputps] = mapminmax(output_train'); inputn = inputn'; outputn = outputn';

这里有个坑要注意——输出层的反归一化得用训练集的参数，别用测试集的。见过有人在这里翻车，预测结果直接飞了。

网络结构咱们用单隐层试试水。个人经验是隐藏层节点数通常取输入输出的平均值再取整，这里取(10+3)/2≈7，不过实际可以多试几个值：

hiddenLayerSize = 7; net = fitnet(hiddenLayerSize); net.layers{1}.transferFcn = 'tansig'; % 隐层用tanh激活 net.layers{2}.transferFcn = 'purelin'; % 输出层线性激活

训练参数配置这块，推荐把显示间隔调小点方便观察：

net.trainParam.showWindow = true; net.trainParam.showCommandLine = false; net.trainParam.epochs = 200; net.trainParam.goal = 1e-5; net.trainParam.max_fail = 10; % 早停法防止过拟合

开始训练的时候记得监控loss曲线。Matlab新版支持直接plot训练过程，老版本可以用trainrecord变量记录：

[net, tr] = train(net, inputn', outputn'); plotperform(tr)

预测部分要注意数据流向。测试集输入先走训练集的归一化参数，输出结果再反归一化：

% 测试集预测 inputn_test = mapminmax('apply', input_test', inputps)'; y_pred = net(inputn_test'); y_pred = mapminmax('reverse', y_pred, outputps)';

评估指标这块，自己写了个双料评估函数：

function [mae, r2] = eval_metrics(actual, pred) mae = mean(abs(pred - actual)); ss_tot = sum((actual - mean(actual)).^2); ss_res = sum((actual - pred).^2); r2 = 1 - (ss_res / ss_tot); end

输出结果长这样：

MAE: [0.12, 0.09, 0.15]

R²: [0.94, 0.96, 0.92]

最后说几个实战经验：

1. 数据量少的时候建议用贝叶斯正则化训练，能有效防过拟合
2. 输出变量量纲差异大时，建议分开训练三个网络
3. 可视化输出的时候用parcoord（平行坐标图）对比预测和真实值，效果拔群

完整代码里还有数据分割、结果可视化这些模块，这里就不全贴了。遇到特征工程或者超参调优的问题，欢迎留言讨论——调参这事儿吧，有时候玄学得很，得看数据和任务的缘分。