BP神经网络回归拟合图实战：从数据预处理到模型调优全流程解析

1次阅读

没有评论

共计 1685 个字符，预计需要花费 5 分钟才能阅读完成。

回归问题在现实生活中无处不在。比如你想预测下个月的房价走势，或者预估一款新产品的销量，这些都是典型的回归问题。与分类问题不同，回归问题的输出是连续值，这使得它在很多实际场景中非常有用。

线性回归是最简单的回归方法，它假设输入和输出之间存在线性关系。但当数据存在非线性关系时，线性回归的表现就会很糟糕。这时神经网络就派上用场了。

BP 神经网络（反向传播神经网络）通过多层非线性变换，可以拟合任意复杂的函数关系。特别是：

可以自动学习特征间的复杂交互
通过激活函数引入非线性
对噪声数据有一定鲁棒性

神经网络对输入数据的尺度很敏感，所以预处理是必须的。常见方法有：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

或者使用 MinMaxScaler 进行归一化：

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0, 1))
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

设计 BP 网络时需要考虑：

隐藏层数量：通常 1 - 3 层足够解决大多数问题
神经元数量：可以从输入层大小的 1 / 2 到 2 倍开始尝试
激活函数：隐藏层常用 ReLU，输出层通常不用激活函数（回归问题）

回归问题常用的损失函数：

MSE（均方误差）：对异常值敏感，但收敛快
MAE（平均绝对误差）：对异常值不敏感，但收敛慢

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.callbacks import EarlyStopping
import matplotlib.pyplot as plt

# 构建模型
model = Sequential([Dense(64, activation='relu', input_shape=(X_train.shape[1],)),
    Dense(32, activation='relu'),
    Dense(1)  # 输出层不用激活函数
])

# 编译模型
model.compile(optimizer='adam', loss='mse')

# 设置早停
early_stop = EarlyStopping(monitor='val_loss', patience=10)

# 训练模型
history = model.fit(
    X_train, y_train,
    validation_data=(X_test, y_test),
    epochs=100,
    batch_size=32,
    callbacks=[early_stop],
    verbose=1
)

# 绘制训练曲线
plt.plot(history.history['loss'], label='train')
plt.plot(history.history['val_loss'], label='val')
plt.legend()
plt.show()

学习率太大容易震荡，太小收敛慢。可以从 0.001 开始尝试。