白鲸优化算法优化核极限学习机回归预测的MATLAB实现

简介：面向回归预测场景的 MATLAB 程序包，将白鲸优化算法（BWO）与核极限学习机（KELM）结合，通过优化算法自动确定核参数，搭建可直接运行的预测流程。程序采用 Excel 格式数据集，替换数据即可适配其他回归任务，适合算法研究人员、研究生及 MATLAB 开发者学习对比。压缩包共 6 个文件，包括 4 个 m 脚本（主程序、BWO 算法、核极限学习机模型及工具函数）、1 个 p 预编译辅助文件、1 个 xlsx 样本数据集，整体约 399KB，结构简洁，目前已有 109 人学习使用。运行后即可获得训练集和测试集的预测值-实际值对比图、误差图，以及 BWO 进化曲线，同时输出 RMSE、MAPE、MAE、拟合优度 R² 等量化指标，便于客观评估模型性能。读者可直接运行代码复现结果，也可替换数据、调整参数，进一步开展优化算法与极限学习机结合的探索实验。

1. 白鲸优化算法优化核极限学习机回归预测：从调参玄学到自动化寻优

做回归预测的人第一次跑 ELM（极限学习机）时通常都很兴奋：训练快、代码短、试几次就有结果。可一换数据集就露怯——隐含层节点数设多少靠试，随机生成的输入权重和偏置让每次结果都不一样，指标上蹿下跳。核极限学习机 KELM 用核函数替换了那层随机隐映射，稳定性明显改善，代价是冒出来两个更依赖经验的人工参数：核宽度 σ 和正则系数 C。白鲸优化算法优化核极限学习机回归预测，就是让 BWO 算法在 MATLAB 里自动搜索这两个超参数，寻优后训练 KELM 并输出回归指标，把最耗精力的调参环节从“玄学”变成可复现的流程。这套方案适合做单输出回归预测的从业者和准备做优化算法对比的学生，替换自己的数据集即可复用，重点在于理解参数编码、边界设定和验证方式。

2. KELM 核极限学习机：核矩阵、正则系数 C 与回归输出怎么算出来

2.1 从 ELM 到 KELM：随机映射换成核映射，换来两个必须调的超参数

ELM 的核心逻辑是随机生成输入层到隐含层的权重和偏置，把原始输入映射到高维特征空间，再解一个线性方程组得到输出权重。这个设计让训练极快，但随机映射意味着每次跑结果都有波动，隐含层节点数也需要反复试验。KELM 的常见做法是把那层随机映射替换成核函数：不再显式计算隐含层，而是直接计算样本之间的核矩阵 Ω，其中 Ω(i,j) = K(x_i, x_j)，K 常用的就是高斯核（RBF）。这样一来，随机性消失了，模型的表达能力由核函数和正则可控性决定，但代价是多出来两个超参数：

• 核宽度 σ：控制每个样本对邻域的影响半径。σ 太大，所有样本之间的核值都趋于 1，模型几乎退化成一条平滑曲线；σ 太小，每个样本只影响自己，模型容易被噪声带着走。
• 正则系数 C：在求解输出权重时控制 L2 正则的强度。C 越大，正则作用越弱，模型越偏向拟合训练集；C 越小，输出权重被压缩得越狠，预测结果容易整体趋于均值。

之所以不用网格搜索去硬试，是因为这两个参数对数据尺度极其敏感，网格步长稍微取不好，最优区间就被跳过去了。而像粒子群、遗传这类优化算法在这个小规模搜索问题上都可行，BWO 的吸引力在于参数通道少、逻辑清晰，适合写进 MATLAB 代码里做一体化封装。

2.2 KELM 的 MATLAB 最小实现：核矩阵、训练函数与预测函数

我一般会把 KELM 拆成三个函数：计算核矩阵、训练求解输出权重、预测。这样做的好处是适应度函数和主程序都能复用同一套接口，后续替换核函数也只需要改一处。

% kernel_matrix.m 计算高斯核矩阵 function K = kernel_matrix(X, sigma) % X: 输入矩阵, 每行一个样本 % sigma: 高斯核宽度 n = size(X, 1); K = zeros(n, n); for i = 1:n for j = i:n d2 = sum((X(i,:) - X(j,:)).^2); % 欧氏距离平方 K(i,j) = exp(-d2 / (2 * sigma^2)); K(j,i) = K(i,j); % 核矩阵对称 end end end

% kelm_train.m 训练 KELM function alpha = kelm_train(X, Y, C, sigma) % X: 训练输入 % Y: 训练输出(列向量) % C: 正则系数 % sigma: 核宽度 K = kernel_matrix(X, sigma); n = size(X, 1); alpha = (K + eye(n) / C) \ Y; % L2 正则化求解输出权重 end

% kelm_predict.m 预测 function Yp = kelm_predict(X_train, X_test, alpha, sigma) % 测试样本与所有训练样本的核向量 nt = size(X_test, 1); ntr = size(X_train, 1); Kt = zeros(nt, ntr); for i = 1:nt for j = 1:ntr d2 = sum((X_test(i,:) - X_train(j,:)).^2); Kt(i,j) = exp(-d2 / (2 * sigma^2)); end end Yp = Kt * alpha; end

逻辑说明：训练函数里eye(n)/C就是正则项，它让输出权重不会因为核矩阵奇异而爆炸。预测函数没有重新训练，只需要算测试样本和训练样本之间的核向量，再与 alpha 相乘即可。两个循环的写法便于理解，但数据量偏大时建议改成矩阵距离一次算完，否则双重循环耗时明显。

参数说明：sigma 的单位要和输入特征量级匹配。输入归一化到 [-1,1] 后，sigma 通常选 0.1~10 之间才有区分度；C 在 0.01~100 之间变化时，R² 曲线会从欠拟合走向过拟合。这也是后面 BWO 搜索范围设计的依据。

2.3 手写 KELM 和工具箱形式差在哪

MATLAB 文件交换上有不少别人封装好的 KELM 工具包，有的带 GUI，有的还有可视化界面，上手很快。但工具包的问题在于：函数签名和返回结构是别人定的，适应度函数里频繁调用时，参数传递格式往往不匹配，要花时间拧数据形状。我一般更倾向手写，理由有三个：

• 签名简单：kelm_train(X, Y, C, sigma)这种接口可以直接塞进优化算法的适应度函数句柄里，不需要拆结构体。
• 核函数可换：高斯核、多项式核、线性核都只改 kernel_matrix 一个文件，做算法对比时很方便。
• 调试透明：结果不理想时直接断点进去看核矩阵和 alpha 的量级，比在封装包里猜要快得多。

手写有个容易忽略的点是数据形状。很多初学者把 X 做成行样本，但 MATLAB 自带函数 mapminmax 是按列处理特征的，转置稍不注意就会让核矩阵维度错乱。下面第 4 章的主程序里我会把这一套数据流完整走一遍。

3. BWO 白鲸优化算法：三阶段搜索逻辑与 KELM 参数编码

3.1 游泳、捕食、鲸落：BWO 的勘探与开发怎么分工

白鲸优化算法的名字来自白鲸的三种典型行为，常见实现把每次迭代划分为两类位置更新加上一个种群扰动环节：

• 勘探阶段：模拟白鲸自由游泳搜索食物，部分个体朝当前全局最优位置游动，部分个体参考种群中随机个体的位置更新自己，目的是让种群在搜索空间里铺开。
• 开发阶段：模拟白鲸在发现猎物后的定点捕食，个体围绕当前最优解做小步长精细搜索，步长带有莱维飞行特征，偶尔能跳出局部区域。
• 鲸落阶段：模拟白鲸自然沉降，种群中有一定比例的个体被随机重新初始化，作用是把已经收敛但质量较差的个体重新打散，维持种群多样性。

这里的关键是一个随时间递减的平衡因子 B。B 大时偏向勘探，B 小时偏向开发，这样前期的目标是搜到更好的区域，后期是对已找到的优质区域做精细打磨。不同版本对平衡因子的公式写法略有差异，但只要抓住“前期勘探、后期开发、伴随随机重置”这三个特点，就不会被具体实现带偏。

% BWO.m 白鲸优化算法主循环(精简骨架) function [bestPos, bestFitness, Curve] = BWO(N, MaxIter, lb, ub, dim, fun) % N: 白鲸种群大小 % MaxIter: 最大迭代次数 % lb, ub: 每个维度变量的下界和上界(向量) % dim: 待优化变量个数 % fun: 适应度函数句柄, 输入一行参数, 返回误差标量 % 初始化种群 X = rand(N, dim) .* (ub - lb) + lb; for i = 1:N fit(i) = fun(X(i,:)); end [bestFitness, bestIdx] = min(fit); bestPos = X(bestIdx, :); for t = 1:MaxIter B = 1 - t / MaxIter; % 平衡因子, 随时间递减 for i = 1:N if B > 0.5 % 勘探阶段: 模拟白鲸游动 r = rand; if r >= 0.5 % 向当前全局最优游动 Xnew = X(i,:) + rand .* (bestPos - X(i,:)); else % 参考随机个体 j = randi(N); Xnew = X(i,:) + r .* (X(j,:) - X(i,:)); end else % 开发阶段: 莱维步长局部搜索 L = levy(dim); Xnew = X(i,:) + L .* (bestPos - X(i,:)); end % 边界处理 Xnew = max(Xnew, lb); Xnew = min(Xnew, ub); % 贪心更新 fnew = fun(Xnew); if fnew < fit(i) X(i,:) = Xnew; fit(i) = fnew; end end % 鲸落阶段: 按概率重置部分个体 Wf = 0.1 - 0.05 * (t / MaxIter); for i = 1:N if rand < Wf X(i,:) = rand(1,dim) .* (ub - lb) + lb; fit(i) = fun(X(i,:)); end end % 更新全局最优 [bestFitness, bestIdx] = min(fit); bestPos = X(bestIdx, :); Curve(t) = bestFitness; end end

% levy.m 生成莱维飞行步长 function L = levy(d) beta = 1.5; sigma = (gamma(1+beta) * sin(pi*beta/2) / ... (gamma((1+beta)/2) * beta * 2^((beta-1)/2)))^(1/beta); u = randn(1,d) * sigma; v = randn(1,d); L = 0.01 * u ./ (abs(v).^(1/beta)); end

逻辑说明：BWO 的参数通道很少，主循环里需要用户设置的只有种群大小 N、迭代次数 MaxIter、变量边界 lb/ub 和维度 dim。收敛曲线 Curve 每一代记录一次最优适应度，画出来可以直观判断算法是否还在下降。鲸落概率 Wf 写成了随迭代递减的形式，好处是后期已经收敛的优质解不容易被随机重置打断。

参数说明：N 一般取 20 或 30，太小种群多样性不够，太大每轮评估次数多、优化时间成倍增加；MaxIter 取 200 到 500 足够覆盖两个超参数的搜索需求。dim 在这个项目里固定为 2，因为只需要优化 C 和 σ。

3.2 把 C 和 σ 编码进个体：参数边界与对数映射

BWO 的个体位置本质是一个一维坐标向量，长度等于 dim。这里最关键的坑是：C 和 σ 的数值范围跨越几个数量级，直接在原空间里做线性搜索，优化算法根本吃不消。σ 的敏感区间是 0.1 到 10，C 的敏感区间是 0.01 到 100，如果搜索空间设成 [0, 100]，大部分采样点落在不敏感的大数值区，白白浪费评估次数。

我一般把 C 和 σ 都映射到对数空间去搜索。具体编码方式如下：

% 搜索边界设置为对数坐标 lb = [-2, -2]; % 对应实际值 10^-2 = 0.01 ub = [2, 2]; % 对应实际值 10^2 = 100 % BWO 返回的最优位置 bestC = 10^bestPos(1); % 还原真实 C bestSigma = 10^bestPos(2); % 还原真实 sigma

逻辑说明：BWO 内部只处理 lb 到 ub 之间的连续数值，完全不关心它代表什么物理含义；适应度函数拿到位置后先做10^p还原，再用真实值去训练 KELM。这个映射看似简单，却是决定优化效率的关键一步。

边界说明：如果业务数据特征较多或者噪声很大，可以把 lb/ub 扩到 [-3, 3]，对应实际值 0.001 到 1000。扩边界不会让寻优变差，但会分摊搜索密度，所以宁可从小的合理范围开始，跑完看最优位置是否贴在边界上再决定是否扩展。

3.3 为什么不用粒子群或遗传：BWO 的选型对比

做回归预测的人会问：既然有粒子群（PSO）和遗传算法（GA），为什么偏要选 BWO？我自己的对比经验如下：

PSO 收敛快，但对惯性权重这类参数比较敏感，调不好容易全部个体堆在局部最优附近；GA 的交叉变异对连续超参数搜索只能说够用，但二进制或实数编码的算子设计要额外花时间。BWO 的优势是鲸落阶段提供了一种主动跳出局部最优的机制，而且参数通道少，写进 MATLAB 代码里几乎没有多余旋钮。缺点也有——论文实现里的平衡因子和鲸落概率公式各版本不太一致，需要自己在测试集上验证。

4. MATLAB 跑通 BWO-KELM 回归预测：主程序与适应度函数

4.1 模块划分：数据划分、归一化、寻优与评估各管一块

一套完整的 BWO-KELM 回归预测代码，我习惯按下面几个模块拆：

• 数据加载与划分：读入 X 和 Y，划分训练集、验证集、测试集。
• 归一化：用训练集统计量归一化，验证集和测试集应用相同的统计量。
• BWO 寻优：适应度函数内部用训练集训练 KELM、用验证集评估误差，BWO 迭代搜索最优 C 和 σ。
• 模型训练与预测：最优参数下用训练集重新训练，对测试集预测。
• 指标输出与画图：计算 R²、RMSE、MAE，画预测值与真实值对比曲线。

这样划分的好处是每个环节都可以单独测试。比如归一化结果不对时，只查这一段；优化不收敛时，只关注 Curve 曲线；指标虚高时，优先怀疑验证集是否泄漏。

4.2 主程序代码：寻优后训练，训练后预测，预测后出指标

%% BWO-KELM 回归预测主程序(示意框架) clc; clear; close all; rng(0); % 固定随机种子, 确保结果可复现 % 1. 加载数据 % load 你的回归数据集, 统一整理为 X: n*m 矩阵, Y: n*1 列向量 X = rand(800, 12); % 示例输入, 替换为自己的数据 Y = 5*sin(X(:,1)) + 3*X(:,2).^2 + randn(800,1)*0.2; % 示例输出 % 2. 划分训练集/验证集/测试集: 60% / 20% / 20% n = size(X, 1); idx = randperm(n); nTrain = round(0.6*n); % 480 nVal = round(0.2*n); % 160 X_train = X(idx(1:nTrain), :); Y_train = Y(idx(1:nTrain), :); X_val = X(idx(nTrain+1:nTrain+nVal), :); Y_val = Y(idx(nTrain+1:nTrain+nVal), :); X_test = X(idx(nTrain+nVal+1:end), :); Y_test = Y(idx(nTrain+nVal+1:end), :); % 3. 归一化: 训练集上求统计量, 验证/测试集 apply [X_train_p, ps_x] = mapminmax(X_train', -1, 1); X_train_p = X_train_p'; X_val_p = mapminmax('apply', X_val', ps_x)'; X_test_p = mapminmax('apply', X_test', ps_x)'; [Y_train_p, ps_y] = mapminmax(Y_train', -1, 1); Y_train_p = Y_train_p'; Y_val_p = mapminmax('apply', Y_val', ps_y)'; Y_test_p = mapminmax('apply', Y_test', ps_y)'; % 4. BWO 寻优 lb = [-2, -2]; % 对数域下界: 0.01 ub = [2, 2]; % 对数域上界: 100 fun = @(p) fitness_bwo_kelm(p, X_train_p, Y_train_p, X_val_p, Y_val_p); [bestPos, bestFit, Curve] = BWO(30, 200, lb, ub, 2, fun); % 5. 最优参数训练并预测测试集 bestC = 10^bestPos(1); bestSigma = 10^bestPos(2); alpha = kelm_train(X_train_p, Y_train_p, bestC, bestSigma); Y_test_pred_p = kelm_predict(X_train_p, X_test_p, alpha, bestSigma); % 6. 反归一化并计算指标 Y_test_pred = mapminmax('reverse', Y_test_pred_p', ps_y)'; R2 = 1 - sum((Y_test - Y_test_pred).^2) / sum((Y_test - mean(Y_test)).^2); RMSE = sqrt(mean((Y_test - Y_test_pred).^2)); MAE = mean(abs(Y_test - Y_test_pred)); fprintf('BWO-KELM: R2=%.4f, RMSE=%.4f, MAE=%.4f\n', R2, RMSE, MAE);

逻辑说明：mapminmax 是 MATLAB 自带的归一化函数，它按列处理数据，所以传入前要转置，得到结果后再转置回来。验证集和测试集使用的是'apply'模式，也就是沿用训练集的归一化统计量。反归一化时用的是 ps_y，而不是重新构造统计量。

参数说明：rng(0) 放在最前面，保证随机划分和 BWO 初始化各自的可复现性。lb/ub 是 BWO 的搜索边界，映射到 C 和 σ 的实际值范围是 0.01 到 100。种群 30、迭代 200 在这个规模下通常已经足够，如果 Curve 曲线的尾部还在明显下降，就调大迭代次数。

4.3 适应度函数写法：让 BWO 去最小化验证误差

适应度函数是 BWO 和 KELM 之间的桥梁。它的输入是白鲸个体位置，输出是一个标量误差，BWO 的任务就是找到让这个误差最小的位置。

% fitness_bwo_kelm.m 适应度函数 function fit = fitness_bwo_kelm(p, Xtrain, Ytrain, Xval, Yval) % p: 白鲸个体位置, 长度 2 % 第1维: 对数空间的 C; 第2维: 对数空间的 sigma C = 10^p(1); sigma = 10^p(2); % 训练 KELM alpha = kelm_train(Xtrain, Ytrain, C, sigma); % 验证集预测 Ypred = kelm_predict(Xtrain, Xval, alpha, sigma); % 以均方误差作为适应度 fit = mean((Yval - Ypred).^2); end

这里有个容易被忽略的设计问题：应该在验证集上评估而不是在训练集上评估。如果在训练集上测误差，BWO 有可能找到一组过拟合参数，验证集指标反而不理想。另外，适应度函数内部不要再做归一化，归一化在主程序里已经做过了，这里只用归一化后的数据，避免重复计算导致统计量不一致。

如果样本量较少，可以把验证集评估换成 5 折交叉验证，把 fit 改成五折平均误差。代价是每次评估要训练 5 次 KELM，优化时间会成倍增长。

4.4 R²、RMSE、MAE：回归预测结果怎么衡量

指标计算放在反归一化之后，因为用户最终关心的是原始量纲下的误差。三个指标的口径不同：

R² 很高不一定代表预测曲线形状好，在序列数据上 R² 容易虚高，特别是测试集本身的趋势性强时。RMSE 和 MAE 的差值可以看出是否存在极端误差样本：两者相差大，说明个别样本预测离群严重，需要回去检查数据质量，而不只是调参数。

5. BWO-KELM 避坑手册：5 个让我翻过车的细节

5.1 归一化统计量串到测试集：指标虚高的典型现场

现象：测试集 R² 高达 0.99，预测曲线几乎和真实值重合，换一批数据立刻掉到 0.85，前后判若两模。

原因：代码里先把全部 X 用 mapminmax 归一化，再做 train/val/test 划分。此时归一化统计量已经看了测试集，相当于测试集的均值、方差泄漏进训练流程，模型在评估时等于见过数据整体分布。另一种常见原因是每折交叉验证重新归一化时，把测试样本也并进统计量。

解决：严格遵循“先划分、后归一化”的顺序。训练集上通过 mapminmax 得到 ps_x 和 ps_y，验证集和测试集一律用mapminmax('apply', ...)套同一组统计量。反归一化同样只认 ps_y。

5.2 σ 搜索范围设错：最优解压在边界上，寻优等于白跑

现象：BWO 收敛后 bestSigma 非常靠近搜索边界，比如 ub 是 2 对应的 100，最后最优值就是 99.8。把边界改大或改小，结果也跟着变，说明算法在告诉你真正的最优不在当前范围内。

原因：对 σ 做线性搜索时，范围 [0, 100] 里大部分位置落在 10 到 100 的大数值区，这些位置的核函数几乎把样本视为完全相同，梯度信息极弱；而真正有效的区间 0.1~10 只占搜索空间不到 10%，优化器很难精准落点。

解决：对 σ 使用对数坐标。先设置 lb=-2、ub=2 对应 0.01 到 100，如果最优位置仍然贴边界，扩大到 -3 到 3 再跑一次。用对数映射后，搜索空间里每一段数量级占同样权重，敏感区间和钝感区间都能被均匀探索。

5.3 正则系数 C 调得极端：过拟合与欠拟合的长相

现象：C 设为 1e-5 时，预测输出几乎是一条水平直线，RMSE 明显偏大；C 设为 1e5 时，训练集误差很低但验证集误差反而升高，预测曲线有局部尖锐抖动。

原因：KELM 求解的输出权重 α = (K + I/C)⁻¹Y。C 极小时 I/C 极大，把输出权重压缩到接近零，模型只会输出接近训练集均值的结果；C 极大时正则项失效，K 矩阵求逆后对训练样本的噪声非常敏感，过拟合随之而来。

解决：搜索范围设置在对数空间 [-1, 2]，即 C 从 0.1 到 100，这个范围覆盖了大多数单输出回归问题的合理取值。注意观察最优 C 是否落在边界附近，如果是，说明问题本身可能需要调整数据特征或核函数，而不只是调 C。

5.4 两次运行结果不一样：随机种子与实验复现

现象：同一份数据、同一份代码，跑两次得到的 R² 差 0.03 到 0.05，最优 C 和 σ 也不同。写实验报告时无法复现结果，心态直接崩。

原因：BWO 初始化种群用 rand，游泳阶段选随机个体也用 rand，任何一次随机数流变化都会让寻优路径完全不同。此外，如果数据划分也依赖 randperm 且没有固定种子，训练验证测试集也会变，结果方差更大。

解决：主程序开头加rng(0)，让数据划分和 BWO 初始化都走同一条随机数流。要区分两类复现：固定 rng(0) 只是让单次实验可复现；如果要做严格的算法对比，应该固定一组种子，每种算法都在这组种子上运行，记录均值与标准差。

5.5 固定验证集还是交叉验证：按数据量做选择

现象：样本量 300 时，固定验证集寻优出来的参数换几个验证样本就明显变差；改用交叉验证后稳定性提升，但训练时间涨了接近五倍。

原因：固定验证集划分对数据分布敏感，小样本下验证集偶然性大，BWO 会去适配这个偶然分布；交叉验证用多折平均误差作为适应度，对划分方式更稳健，代价是每次评估都要多次训练 KELM。

解决：样本少于 1000 用 5 折交叉验证；样本大于 5000 用固定验证集并做分层抽样，保证验证集和训练集的标签分布接近。中间区间可以先跑一次固定验证集看稳定性，如果多次寻优的最优参数波动大，再切换到交叉验证。

6. 让 BWO-KELM 更稳：三个小改动与一套验证习惯

6.1 鲸落概率随迭代衰减

鲸落随机重置个体在前期能有效维持多样性，但在后期会破坏已经收敛的优质解。把固定的 Wf 改成随迭代递减的形式，比写成固定 0.1 更稳妥。改法就是在第 3 章 BWO 代码里使用Wf = 0.1 - 0.05 * (t / MaxIter)，早期探索充分，后期收敛稳定。实现差异不大，但对最终指标的影响经常超过 0.01 的 R²，值得花一分钟改掉。

6.2 固定随机状态并做批量实验

只用 rng(0) 跑一次实验不足以说明模型真实水平，正确的做法是固定一组种子跑多轮，统计均值和标准差：

% 批量实验: 固定一组种子, 统计 R2 的均值和标准差 seeds = 1:5; R2_list = zeros(1, 5); for s = seeds rng(s); [R2_list(s)] = run_bwo_kelm_exp(); % 主流程封装成函数, 返回 R2 end fprintf('R2 mean=%.4f, std=%.4f\n', mean(R2_list), std(R2_list));

6.3 用对比表验证优化确实有效

单独跑出一个 BWO-KELM 高指标没有说服力，我会习惯在同一份划分、同一组随机种子下对比几种基线。在某模拟项目X（800 个样本、12 维特征）上的一次记录如下：

对比的意义在于确认优化算法带来的提升是否值得多付出几秒训练时间。BWO-KELM 在多数回归预测场景下会比手动调参的 KELM 高 2 到 5 个百分点的 R²，但前提是数据量足够、归一化正确、搜索边界合理。

做完几次 BWO-KELM 项目后，我的习惯是：先跑一次固定验证集快速看收敛趋势，再切交叉验证确认参数稳定性，最后用多组种子对比算法优劣。把调参交给优化器并不等于甩手不管，边界设定和数据划分才是真正决定结果上限的地方。希望这个思路能帮到正在做回归预测方案选型的人。

本文还有配套的精品资源，点击获取