当前位置：首页 > news >正文

基于PCA-BP神经网络的多元回归预测Matlab代码：特征贡献率可视化与一键出图功能实现

news 2026/5/26 20:36:07

基于PCA-BP的数据多变量回归预测 Matlab代码 [可显示原始特征贡献率] (多输入单输出) 1.首先通过主成分分析PCA将数据进行降维，会显示原始特征对应的贡献率(不是贡献率排序，不会让你对应不到对应特征)，选取要求为累计贡献率大于90%。 2.将数据降维后的数据导入BP神经网络进行回归预测 3.PCA和BP回归两个内容写在同一个main里，运行一个main一键出图和结果(如下图) 1、运行环境要求MATLAB版本为2018b及其以上 2、评价指标包括:R2、MAE、MSE、RPD、RMSE等，图很多，符合您的需要 3、代码中文注释清晰，质量极高 4、测试数据集，可以直接运行源程序。替换你的数据即可用适合新手小白

直接上干货！今天咱们整一个把PCA降维和BP神经网络打包的回归预测代码，特点是能直接看到原始特征的贡献率，不用自己折腾主成分分析。全程Matlab操作，保姆级注释，替换数据就能用！

先看整体流程：原始数据→PCA降维→划分训练集测试集→BP神经网络训练→预测→出图。全程一个脚本搞定，不用切来切去。

上主菜！先搞数据预处理和PCA降维部分：

% 数据读取与预处理 data = readmatrix('你的数据.csv'); % 这里换成你的数据路径 X = data(:,1:end-1); % 前几列作为特征 Y = data(:,end); % 最后一列作为输出 % 数据标准化（PCA前必须做） [X_normalized, mu, sigma] = zscore(X); % PCA主成分分析 [coeff, score, latent] = pca(X_normalized); % 计算贡献率 cum_contribution = cumsum(latent)./sum(latent); find_idx = find(cum_contribution >= 0.9, 1); % 找到累计贡献≥90%的位置 disp(['原始特征贡献率：', num2str(latent'/sum(latent))]) % 关键！显示每个原始特征的贡献 disp(['选取主成分数：', num2str(find_idx)]) % 降维处理 X_pca = X_normalized * coeff(:,1:find_idx);

这里有个重点：latent变量里存的是方差，除以总和就是贡献率。直接输出原始特征的贡献，不会出现主成分和原特征对不上的问题。

接下来是BP神经网络的搭建：

% 数据集划分（7:3比例） rng(0) % 固定随机种子保证结果可复现 partition = cvpartition(Y, 'HoldOut', 0.3); trainIdx = training(partition); testIdx = test(partition); % 创建BP网络（隐藏层15节点，可根据数据量调整） net = fitnet(15); net.trainParam.showWindow = true; % 显示训练过程 net.trainParam.epochs = 500; % 最大迭代次数 % 训练网络 [net, tr] = train(net, X_pca(trainIdx,:)', Y(trainIdx)'); % 预测 pred_train = net(X_pca(trainIdx,:)'); pred_test = net(X_pca(testIdx,:)');

这里用了fitnet函数，比feedforwardnet更简单。注意输入数据要做转置，Matlab神经网络要求样本在列方向。

最后是结果可视化和评价指标：

% 绘制预测对比图 figure plot(Y(testIdx), 'b', 'LineWidth', 1.5) hold on plot(pred_test, 'r--', 'LineWidth', 1.5) legend('真实值','预测值') title('测试集预测效果对比') % 计算评价指标 function [stats] = calc_metrics(y_true, y_pred) stats.R2 = 1 - sum((y_true - y_pred).^2)/sum((y_true - mean(y_true)).^2); stats.MAE = mean(abs(y_true - y_pred)); stats.MSE = mean((y_true - y_pred).^2); stats.RMSE = sqrt(stats.MSE); stats.RPD = std(y_true)/stats.RMSE; end % 输出指标 train_metrics = calc_metrics(Y(trainIdx), pred_train); test_metrics = calc_metrics(Y(testIdx), pred_test); disp('训练集指标:') disp(train_metrics) disp('测试集指标:') disp(test_metrics)

这个calc_metrics函数把常用的回归指标都打包了，RPD指标很多人会漏掉，其实它能反映模型稳定性，值越大越好。

跑完代码会出三张图：预测效果对比图、误差分布直方图、回归图。效果类似这样：

（此处假设插入预测效果图）

几个避坑指南：