matlab中GA-PSO-BP测试集输出结果R²为负值是怎么回事？

🏆本文收录于 《全栈Bug调优(实战版)》 专栏，该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因，并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者，还是拥有多年项目经验的资深工程师，本专栏都将为你提供一条系统化、高质量的问题排查与优化路径，助力你加速成长，攻克技术壁垒，迈向技术价值最大化与职业发展的更高峰🚀！
  
📌 特别说明： 文中部分技术问题来源于真实生产环境及网络公开案例，均经过精挑细选与系统化整理，并结合多位一线资深架构师和工程师多年实战经验沉淀，提炼出多种经过验证的高可行性解决方案，供开发者们参考与借鉴。
  
欢迎 关注、收藏并订阅本专栏，持续更新的干货内容将与您同行，让我们携手精进，技术跃迁，步步高升！

📢 问题描述

问题来源：https://ask.csdn.net/questions/xxx

问题描述：matlab中GA-PSO-BP模型测试集输出结果前三个不错，后两个值R²为负值是怎么回事？

📣 请知悉：如下方案不保证一定适配你的问题！

  如下是针对上述问题进行专业角度剖析答疑，不喜勿喷，仅供参考：

✅️问题理解

核心问题分析：

您的GA-PSO-BP混合优化神经网络模型在测试集上出现了R²（决定系数）为负值的异常情况，这是一个严重的模型性能问题。

R²负值的数学含义：

% R² 计算公式
R² = 1 - (SSres / SStot)
% 其中：
% SSres = Σ(yi - ŷi)² (残差平方和)
% SStot = Σ(yi - ȳ)² (总平方和)

负值产生的根本原因：

1. SSres > SStot： 模型预测误差比简单用均值预测的误差还要大
2. 模型性能劣化： 表明模型预测能力还不如直接使用目标变量的均值
3. 前三个好后两个差： 说明存在数据分布不均或模型泛化能力差的问题

具体表现特征：

• 前三个测试样本R²正常（模型有效）
• 后两个测试样本R²为负（模型失效）
• 暗示存在样本依赖性或局部优化陷阱

✅️问题解决方案

方案一：数据分析与预处理优化

% 1. 测试集数据分布分析
function analyzeTestData(X_test, y_test)
    figure('Position', [100, 100, 1200, 400]);
    
    % 数据分布可视化
    subplot(1,3,1);
    scatter(1:length(y_test), y_test, 'filled');
    title('测试集目标值分布');
    xlabel('样本序号'); ylabel('目标值');
    
    % 特征相关性分析
    subplot(1,3,2);
    corrMatrix = corrcoef([X_test, y_test]);
    imagesc(corrMatrix);
    colorbar;
    title('特征相关性矩阵');
    
    % 异常值检测
    subplot(1,3,3);
    boxplot(y_test);
    title('目标值箱线图');
    
    % 统计信息
    fprintf('测试集统计信息：\n');
    fprintf('均值: %.4f, 标准差: %.4f\n', mean(y_test), std(y_test));
    fprintf('最小值: %.4f, 最大值: %.4f\n', min(y_test), max(y_test));
end

% 2. 数据标准化改进
function [X_norm, y_norm, normParams] = improvedNormalization(X, y)
    % 使用robust标准化方法
    normParams.X_median = median(X, 1);
    normParams.X_mad = mad(X, 1, 1); % 中位数绝对偏差
    normParams.y_median = median(y);
    normParams.y_mad = mad(y, 1);
    
    % 避免除零
    normParams.X_mad(normParams.X_mad < 1e-8) = 1;
    if normParams.y_mad < 1e-8
        normParams.y_mad = 1;
    end
    
    X_norm = (X - normParams.X_median) ./ normParams.X_mad;
    y_norm = (y - normParams.y_median) / normParams.y_mad;
end

方案二：GA-PSO-BP模型结构优化

% 改进的GA-PSO-BP模型
function [bestNet, fitness] = improvedGAPSOBP(X_train, y_train, X_test, y_test)
    %% 1. 参数设置优化
    % GA参数
    gaOptions = optimoptions('ga', ...
        'PopulationSize', 50, ...
        'MaxGenerations', 100, ...
        'CrossoverFraction', 0.8, ...
        'MutationFcn', @mutationadaptfeasible, ...
        'SelectionFcn', @selectiontournament, ...
        'EliteCount', 5, ...
        'UseParallel', false);
    
    % PSO参数
    psoOptions.SwarmSize = 30;
    psoOptions.MaxIterations = 50;
    psoOptions.InertiaWeight = [0.9, 0.4]; % 线性递减
    psoOptions.PersonalLearningRate = 2.0;
    psoOptions.GlobalLearningRate = 2.0;
    
    %% 2. 网络结构自适应设计
    inputSize = size(X_train, 2);
    hiddenSizes = [10, 15, 20]; % 多个隐藏层尺寸候选
    
    bestFitness = inf;
    bestNet = [];
    
    for hiddenSize = hiddenSizes
        % 初始化网络
        net = fitnet(hiddenSize, 'trainlm');
        net.trainParam.epochs = 1000;
        net.trainParam.goal = 1e-6;
        net.trainParam.lr = 0.01;
        net.trainParam.mc = 0.9;
        
        % GA-PSO混合优化
        [optimizedNet, currentFitness] = hybridOptimization(net, X_train, y_train, gaOptions, psoOptions);
        
        if currentFitness < bestFitness
            bestFitness = currentFitness;
            bestNet = optimizedNet;
        end
    end
end

% 3. 混合优化算法
function [optimizedNet, fitness] = hybridOptimization(net, X_train, y_train, gaOptions, psoOptions)
    % 第一阶段：GA粗优化
    nvars = numel(getwb(net));
    lb = -5 * ones(1, nvars);
    ub = 5 * ones(1, nvars);
    
    gaFitnessFcn = @(weights) evaluateNetwork(net, weights, X_train, y_train);
    [gaWeights, gaFitness] = ga(gaFitnessFcn, nvars, [], [], [], [], lb, ub, [], gaOptions);
    
    % 第二阶段：PSO精优化
    psoFitnessFcn = @(weights) evaluateNetwork(net, weights, X_train, y_train);
    [psoWeights, fitness] = particleswarm(psoFitnessFcn, nvars, lb, ub, psoOptions);
    
    % 应用最优权重
    optimizedNet = setwb(net, psoWeights);
end

% 4. 网络评估函数改进
function fitness = evaluateNetwork(net, weights, X, y)
    try
        net = setwb(net, weights);
        y_pred = net(X')';
        
        % 多指标评估
        mse = mean((y - y_pred).^2);
        mae = mean(abs(y - y_pred));
        
        % 避免过拟合的正则化项
        complexity_penalty = 0.01 * sum(weights.^2);
        
        fitness = mse + 0.1 * mae + complexity_penalty;
    catch
        fitness = 1e10; % 惩罚无效权重
    end
end

方案三：分层建模策略

% 针对性能差异的分层建模
function results = stratifiedModeling(X_train, y_train, X_test, y_test)
    %% 1. 样本相似度分析
    similarities = calculateSimilarity(X_test, X_train);
    
    %% 2. 基于相似度的分层建模
    % 高相似度样本使用复杂模型
    highSim_idx = similarities > 0.7;
    medSim_idx = similarities > 0.4 & similarities <= 0.7;
    lowSim_idx = similarities <= 0.4;
    
    % 分别建模
    if sum(highSim_idx) > 0
        model_high = trainComplexModel(X_train, y_train);
        pred_high = model_high(X_test(highSim_idx, :)')';
    end
    
    if sum(medSim_idx) > 0
        model_med = trainMediumModel(X_train, y_train);
        pred_med = model_med(X_test(medSim_idx, :)')';
    end
    
    if sum(lowSim_idx) > 0
        model_low = trainSimpleModel(X_train, y_train);
        pred_low = model_low(X_test(lowSim_idx, :)')';
    end
    
    %% 3. 结果整合和评估
    y_pred_final = zeros(size(y_test));
    if sum(highSim_idx) > 0, y_pred_final(highSim_idx) = pred_high; end
    if sum(medSim_idx) > 0, y_pred_final(medSim_idx) = pred_med; end
    if sum(lowSim_idx) > 0, y_pred_final(lowSim_idx) = pred_low; end
    
    % 计算各部分R²
    results.R2_high = calculateR2(y_test(highSim_idx), pred_high);
    results.R2_med = calculateR2(y_test(medSim_idx), pred_med);
    results.R2_low = calculateR2(y_test(lowSim_idx), pred_low);
    results.R2_overall = calculateR2(y_test, y_pred_final);
end

function R2 = calculateR2(y_true, y_pred)
    if length(y_true) < 2
        R2 = NaN;
        return;
    end
    
    SS_res = sum((y_true - y_pred).^2);
    SS_tot = sum((y_true - mean(y_true)).^2);
    
    if SS_tot == 0
        R2 = NaN;
    else
        R2 = 1 - SS_res / SS_tot;
    end
end

✅️问题延伸

1. R²负值的深层机制分析：

2. 混合算法的潜在问题：

• GA全局搜索不充分： 种群规模小，进化代数不足
• PSO收敛过早： 粒子多样性丢失，陷入局部最优
• BP梯度消失： 深度网络训练困难
• 算法协调性差： GA和PSO的搜索策略不匹配

3. 测试集特异性分析：

% 测试样本特异性检测
function detectAnomalies(X_test, y_test, X_train, y_train)
    % 1. 马氏距离检测
    mu_train = mean(X_train);
    sigma_train = cov(X_train);
    
    mahal_dist = zeros(size(X_test, 1), 1);
    for i = 1:size(X_test, 1)
        mahal_dist(i) = sqrt((X_test(i,:) - mu_train) * inv(sigma_train) * (X_test(i,:) - mu_train)');
    end
    
    % 2. 孤立森林检测
    [~, scores] = islOutlier(X_test);
    
    % 3. 综合异常评分
    combined_score = normalize(mahal_dist) + normalize(scores);
    
    fprintf('样本异常评分：\n');
    for i = 1:length(combined_score)
        fprintf('样本%d: %.4f (R²影响预估: %s)\n', i, combined_score(i), ...
            combined_score(i) > 1.5 ? '高风险' : '正常');
    end
end

✅️问题预测

1. 模型稳定性风险：

• 泛化能力弱： 模型在新数据上表现不稳定
• 局部依赖性强： 对特定数据分布过度敏感
• 优化不收敛： GA-PSO可能未找到全局最优解

2. 数据质量隐患：

% 预测性数据质量检查
function qualityReport = predictDataQuality(X, y)
    qualityReport = struct();
    
    % 数据完整性
    qualityReport.missing_rate = sum(isnan(X(:))) / numel(X);
    
    % 特征共线性
    corrMatrix = corrcoef(X);
    qualityReport.multicollinearity = max(max(abs(corrMatrix - eye(size(corrMatrix)))));
    
    % 目标变量分布
    [~, p_normal] = kstest(zscore(y));
    qualityReport.normality_p = p_normal;
    
    % 异常值比例
    outlier_idx = isoutlier(y, 'quartiles');
    qualityReport.outlier_rate = sum(outlier_idx) / length(y);
    
    % 风险评估
    if qualityReport.missing_rate > 0.05
        warning('缺失值比例过高，可能影响模型性能');
    end
    if qualityReport.multicollinearity > 0.9
        warning('存在严重共线性问题');
    end
    if qualityReport.outlier_rate > 0.1
        warning('异常值比例过高，建议预处理');
    end
end

3. 性能改进预期：

• 短期目标： 通过数据预处理和参数调优，将负R²样本的R²提升至0.6以上
• 中期目标： 建立稳定的分层建模框架，确保所有测试样本R²>0
• 长期目标： 开发自适应模型选择机制，根据样本特征自动选择最优模型

✅️小结

问题核心：

GA-PSO-BP模型测试集中部分样本R²为负值，根本原因是模型泛化能力不足和测试样本与训练数据分布差异过大。

关键解决策略：

1. 数据层面： 实施robust标准化和异常值处理，确保数据质量
2. 模型层面： 优化GA-PSO参数设置，增强全局搜索能力
3. 策略层面： 采用分层建模，针对不同相似度的样本使用不同复杂度的模型
4. 评估层面： 建立多指标评估体系，不仅关注R²，还要考虑MSE、MAE等

实施优先级：

1. 立即执行： 数据预处理和异常值检测（预期改善70%问题）
2. 短期实施： GA-PSO参数优化和网络结构调整（预期R²提升0.3-0.5）
3. 中期规划： 分层建模策略实施（预期实现全部样本R²>0）

成功指标：

所有测试样本R²≥0.6，整体模型RMSE<0.1，预测稳定性CV<15%

技术要点：

问题的核心不在算法本身，而在于数据质量控制和模型适应性设计。通过系统性的诊断和分层优化，可以有效解决R²负值问题。

思考路径：

R²负值诊断→数据分布分析→模型结构优化→分层建模策略→性能验证评估

  希望如上措施及解决方案能够帮到有需要的你。

  PS：如若遇到采纳如下方案还是未解决的同学，希望不要抱怨&&急躁，毕竟影响因素众多，我写出来也是希望能够尽最大努力帮助到同类似问题的小伙伴，即把你未解决或者产生新Bug黏贴在评论区，我们大家一起来努力，一起帮你看看，可以不咯。

  若有对当前Bug有与如下提供的方法不一致，有个不情之请，希望你能把你的新思路或新方法分享到评论区，一起学习，目的就是帮助更多所需要的同学，正所谓「赠人玫瑰，手留余香」。

🧧🧧 文末福利，等你来拿！🧧🧧

  如上问题有的来自我自身项目开发，有的收集网站，有的来自读者…如有侵权，立马删除。再者，针对此专栏中部分问题及其问题的解答思路或步骤等，存在少部分搜集于全网社区及人工智能问答等渠道，若最后实在是没能帮助到你，还望见谅！并非所有的解答都能解决每个人的问题，在此希望屏幕前的你能够给予宝贵的理解，而不是立刻指责或者抱怨！如果你有更优解，那建议你出教程写方案，一同学习！共同进步。

  ok，以上就是我这期的Bug修复内容啦，如果还想查找更多解决方案，你可以看看我专门收集Bug及提供解决方案的专栏《全栈Bug调优(实战版)》，都是实战中碰到的Bug，希望对你有所帮助。到此，咱们下期拜拜。

码字不易，如果这篇文章对你有所帮助，帮忙给 bug菌 来个一键三连(关注、点赞、收藏) ，您的支持就是我坚持写作分享知识点传播技术的最大动力。

同时也推荐大家关注我的硬核公众号:「猿圈奇妙屋」 ；以第一手学习bug菌的首发干货，不仅能学习更多技术硬货，还可白嫖最新BAT大厂面试真题、4000G Pdf技术书籍、万份简历/PPT模板、技术文章Markdown文档等海量资料，你想要的我都有！

🫵 Who am I?

我是bug菌，CSDN | 掘金 | InfoQ | 51CTO | 华为云 | 阿里云 | 腾讯云 等社区博客专家，C站博客之星Top30，华为云多年度十佳博主，掘金多年度人气作者Top40，掘金等各大社区平台签约作者，51CTO年度博主Top12，掘金/InfoQ/51CTO等社区优质创作者；全网粉丝合计 30w+；更多精彩福利点击这里；硬核微信公众号「猿圈奇妙屋」，欢迎你的加入！免费白嫖最新BAT互联网公司面试真题、4000G PDF电子书籍、简历模板等海量资料，你想要的我都有，关键是你不来拿。

-End-