当前位置：首页 > news >正文

基于Matlab多层感知机(MLP)的多变量数据回归预测模型，包含R2、MAE、MSE、RMS...

news 2026/5/26 2:03:08

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_len+1:train_len+val_len, :); val_tar = target_norm(train_len+1:train_len+val_len); test_in = input_norm(train_len+val_len+1:end, :); test_tar = target_norm(train_len+val_len+1: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*2+1的经验公式试试，再上下微调。