Bayes-CNN贝叶斯优化卷积神经网络多输入单输出回归预测（Matlab） 1.命令窗口输出MAE、MSE、RMSEP、R^2、RPD和MAPE 2.贝叶斯优化算法优化参数为学习率、批处理样本大小和、正则化参数。 3.输入6个特征，输出1个变量
直接上干货，今天咱们来折腾一个用Matlab实现的Bayes-CNN回归预测模型。这玩意儿把贝叶斯优化和卷积神经网络揉在一起，专门对付多输入单输出的预测问题。老规矩，先跑通流程再调参，咱们边写代码边唠嗑。
数据预处理这块儿直接偷懒用MinMaxScaler，Matlab里自带的mapminmax函数足够应付：
[input_train, ps_input] = mapminmax(train_data(:, 1:6)', 0, 1); [output_train, ps_output] = mapminmax(train_data(:, 7)', 0, 1);注意这里转置符别漏了，Matlab的矩阵操作专治各种不服。6个特征输入1个变量输出，数据维度得对齐，不然训练时报错能让人抓狂。
贝叶斯优化部分才是重头戏，咱们定义个骚气的目标函数：
function val = bayescnn_loss(optVars) layers = [ imageInputLayer([6 1 1]) % 处理一维时序数据 convolution2dLayer([3 1], 16, 'Padding','same') reluLayer maxPooling2dLayer([2 1],'Stride',2) fullyConnectedLayer(32) dropoutLayer(0.5) fullyConnectedLayer(1) regressionLayer]; options = trainingOptions('adam', ... 'LearnRate',optVars.InitialLearnRate, ... 'MiniBatchSize',optVars.MiniBatchSize, ... 'L2Regularization',optVars.L2Regularization, ... 'Verbose',false); net = trainNetwork(reshape(input_train,6,1,1,[]), output_train, layers, options); pred = predict(net, reshape(input_val,6,1,1,[])); val = sqrt(mean((pred - output_val).^2)); end这里有个坑要注意——输入数据必须reshape成四维张量，第三维通道数设为1，否则CNN层会报维度不匹配。贝叶斯优化的参数范围设置得讲究点：
params = [optimizableVariable('InitialLearnRate',[1e-4, 1e-2],'Transform','log'),... optimizableVariable('MiniBatchSize',[16, 128],'Type','integer'),... optimizableVariable('L2Regularization',[1e-5, 1e-2],'Transform','log')];建议先用大范围跑20轮左右，再根据结果缩小范围二次优化。跑完贝叶斯优化后记得把最优参数存下来，后面正式训练要用。
Bayes-CNN贝叶斯优化卷积神经网络多输入单输出回归预测（Matlab） 1.命令窗口输出MAE、MSE、RMSEP、R^2、RPD和MAPE 2.贝叶斯优化算法优化参数为学习率、批处理样本大小和、正则化参数。 3.输入6个特征，输出1个变量
模型训练完成后，评估指标得整全套的。咱们写个暴力计算函数：
function [mae, mse, rmse, r2, rpd, mape] = calc_metrics(y_true, y_pred) mae = mean(abs(y_true - y_pred)); mse = mean((y_true - y_pred).^2); rmse = sqrt(mse); sst = sum((y_true - mean(y_true)).^2); ssr = sum((y_pred - mean(y_true)).^2); r2 = 1 - (sum((y_true - y_pred).^2)/sst); rpd = std(y_true)/rmse; mape = mean(abs((y_true - y_pred)./y_true))*100; end注意mape遇到真实值为0时会炸，数据预处理时最好做平滑处理。R²的计算别直接用corrcoef，那玩意儿和回归任务的R²定义有细微差别。
最后在命令窗口输出的骚操作：
fprintf('MAE: %.4f \nMSE: %.4f \nRMSE: %.4f \nR²: %.4f \nRPD: %.4f \nMAPE: %.2f%%\n',... mae, mse, rmse, r2, rpd, mape);这个打印格式建议用固定小数位数，数据对比起来更直观。跑完程序记得检查验证集和测试集指标差距，防止过拟合。
模型部署时有个小技巧——把训练好的网络结构转成DAGNetwork保存，加载预测时能快30%左右：
net = assembleNetwork(layers); save('bayes_cnn.mat','net');遇到实时预测需求，可以把这个mat文件封装成函数直接调用。别用传统的手动参数调优，贝叶斯优化跑完的参数组合往往比人工调参更靠谱，特别是学习率和L2正则化这种需要联动的参数。
最终效果取决于数据质量和网络结构的适配性。如果效果不理想，试试在卷积层后加BN层，或者把全连接层的激活函数换成leakyrelu。不过记住，贝叶斯优化不是万能的，特征工程做砸了神仙也救不回来。
