立个flag，这是未来一段时间打算做的Python教程，敬请关注。
1 数据及应用领域
我的程序中给出数据data.xlsx（代码及数据见文末），10 列特征值，1 个目标值，适用于各行各业回归预测算法的需求，其中出图及数据自动保存在当前目录，设置的训练集与预测集的比例为 80%：20%。
一、地球科学与环境科学
- 遥感反演：利用多源遥感数据预测水体深度、土壤湿度、植被指数、叶面积指数等。
- 气象与气候研究：预测降水量、气温、风速、风向等连续气象变量。
- 水文与水资源管理：河流流量、地下水位、径流量预测。
- 环境污染监测：空气质量指数、PM2.5/PM10浓度、重金属污染水平预测。
- 地质与矿业：预测矿区地表沉降、地裂缝发展趋势，或矿产储量评估。
二、生物学与医学
- 生态学：预测物种分布密度、群落生物量或生态环境因子变化。
- 公共卫生：基于环境、生活方式或基因组数据预测疾病风险或血液生化指标。
- 医学影像分析：预测器官或病灶体积、组织属性、功能指标。
三、工程与物理科学
- 材料科学：预测材料性能，如强度、硬度、导热性、弹性模量
- 土木与结构工程：预测建筑物或桥梁的应力、位移、寿命周期。
- 控制系统与信号处理：连续控制变量预测、信号功率或系统状态预测。
四、经济与社会科学
- 经济预测：股价、GDP、通货膨胀率、消费指数预测。
- 市场分析：销售额、客户需求、产品价格预测。
- 社会行为：人口增长、流动性、社会指标预测。
五、数据科学与机器学习方向
- 时间序列预测：股票价格、气象指标、传感器数据。
- 多变量因果建模：分析各特征对连续目标变量的影响。
- 特征重要性解释：结合SHAP、LIME等方法揭示变量贡献。
2 算法理论基础
在复杂的机器学习任务中，没有任何单一模型能够在所有场景下表现完美。树模型擅长处理非线性，线性模型解释性强，神经网络能捕捉复杂结构——但它们都有长处与短板。
Stacking 回归（Stacking Regressor）提供了一种更聪明的组合方式：
“让多个不同模型分工合作，再由一个“元学习器”整合它们的结果，构建更强大的最终模型。
它是一种比简单加权或平均更灵活、更智能的集成方法。
🌟 一、Stacking 回归是什么？
Stacking（堆叠集成）是一种通过“多模型组合 + 元学习器”构建更强预测模型的方式。
结构上分两层：
- 第一层：多个基学习器（Base Models）
它们各自学习数据的不同部分或结构，例如树模型、线性模型、神经网络等。 - 第二层：元学习器（Meta Model）
它通过学习基学习器的输出，决定如何最优地组合这些结果。
这是一种“模型再学习模型”的思想。
🌟 二、Stacking 的核心逻辑：组合胜于单一模型
Stacking 的优势来源于一个重要理念：
“不同模型在不同方面各有所长，把它们组合起来能互补缺点、提升整体性能。
例如：
- CatBoost 适合处理类别特征与复杂结构
- LightGBM 训练速度快、泛化性强
- XGBoost 精准稳健、分裂策略细致
让它们共同作为第一层模型，能从多个角度“看”数据。
🌟 三、第二层的元学习器如何工作？
元学习器的任务是：
- 根据各基模型的预测，学习最佳组合方式
- 判断哪些模型在某类样本上更可靠
- 在不同情况下自动调整权重
- 输出性能更优的最终预测值
它相当于一个“模型指挥官”，负责整合所有基模型的智慧。
在你的示例代码中，元学习器使用的是 XGBRegressor，非常适合捕捉基学习器之间的非线性组合关系。
🌟 四、Stacking 的优势：灵活、稳健、性能高
Stacking 之所以受欢迎，是因为它具备：
- 强大的集成学习能力
可以显著提升模型性能 - 结构灵活
可自由组合不同算法 - 表现稳健
不依赖某一个模型的单点表现 - 泛化能力强
在复杂数据集上往往优于单模型 - 适用于回归与分类任务
它是 Kaggle 比赛选手和工程项目常用的高性能组合策略之一。
🌟 五、适用场景
Stacking 回归常用在：
- 单模型效果不够、需要提升性能
- 想结合不同模型的优势
- 非线性关系强、结构复杂的数据集
- 中大型数据建模任务
- 作为最终模型的高性能选择
无论应用在哪类任务中，Stacking 都是一种兼具灵活性和表现力的集成方式。
3 SHAP理论基础
🌟 一、SHAP 是什么？一句话概括
“SHAP 是一套用“合作博弈论”思维解释模型的方法，用来回答：每个特征到底对预测结果贡献了多少？
如果你想知道：
- 哪些特征最重要？
- 每个特征是“推高”还是“压低”预测？
- 不同样本吸收特征影响的方向是否一致？
- 模型是怎么得出这个数的？
那 SHAP 就是最好的答案。
🧠 二、为什么要 SHAP？传统特征重要性有什么问题？
很多人都用过 XGBoost、Random Forest 的 “特征重要性”，但这些方法有明显缺陷：
❌ 1. 只能告诉你“重要”，不能告诉你“怎么重要”
例如： 某参数重要，但它是推高风速，还是降低风速？不知道。
❌ 2. 不能解释“单一样本”
模型给某一个点预测为 3.2 m/s，到底是由 NDVI 推上去的？还是由降水拉下来的？也不知道。
❌ 3. 依赖模型结构，不通用
不同模型指标不同，难对齐。
SHAP 完美解决了这些痛点。
🎲 三、SHAP 的核心思想：特征是“一起干活的队友”
想象一个团队比赛：
- 每个队员（特征）都可能对团队成绩有贡献
- 但是不同的队伍组合，贡献可能不一样
- 那一个队员的“真实贡献”该怎么算？
SHAP 的思想就是：
“让特征像“队员”一样参加所有组合队伍，再统计每个特征平均能让模型表现提高多少。
这就得到每个特征的贡献值（Shapley value）。它是一个“公平分配功劳”的方案。
🧩 四、SHAP 优秀的地方在哪里？
✔ 1. 公平性强
SHAP 的分配方式满足一系列“公平原则”：
- 谁都没贡献 → 得分为 0
- 特征越能独立提升模型效果 → 得分越大
- 同样作用的特征贡献相同
这是其他方法做不到的。
✔ 2. 能画非常直观的可视化
本程序SHAP带的图包括：
这些图都是发论文神器。
论文价值：可解释性直接提升一档
SCI 论文里 reviewer 最爱问：
- “模型的物理解释是什么？”
- “为什么这个特征如此重要？”
- “模型是不是只是黑盒？”
你用 SHAP，一张 beeswarm plot 就能回答所有问题。
✔ 3. 模型无关、模型无偏见
无论你是：
- XGBoost
- CatBoost
- LightGBM
- Random Forest
- Gradient Boosting
- NGBoost
- 决策树
SHAP 都能解释。
4 其他图示
🎲 一、特征值相关性热图
特征值相关性热图用于展示各特征之间的相关强弱，通过颜色深浅体现正负相关关系，帮助快速识别冗余特征、强相关特征及可能影响模型稳定性的变量，为后续特征选择和建模提供参考。
🎲 二、散点密度图
散点密度图通过颜色或亮度反映点的聚集程度，用于展示大量样本的分布特征。相比普通散点图，它能更直观地呈现高密度区域、异常点及整体趋势，常用于回归分析与模型评估。以下为训练集和测试集出图效果。
🎲 三、贝叶斯搜索参数优化算法及示意图
🌟 1. 先构建一个“参数-效果”的概率模型
贝叶斯优化会根据每一次调参的表现，持续更新一份“这个参数组合大概率能获得更好效果”的认知。
这份认知由一个代理模型承担，通常是高斯过程或树结构模型。它不像网格搜索那样盲目，而是先学、再试。
🌟 2. 通过“探索”与“利用”平衡选点
贝叶斯优化每次选新的参数时都会权衡：
- 探索：去试试没探索过的区域，可能藏着宝贝
- 利用：去当前最可能效果最好的区域，稳扎稳打 这种带策略的试验方式，让调参过程既高效又不容易错过最优解。
🌟 3. 不断用真实结果修正判断
每试一个参数组合，代理模型就会重新更新“信念”，并重新预测哪些区域值得继续尝试。
调参越往后，模型越“聪明”，搜索路径越精确。这就像一个不断学习经验的调参工程师，越调越准。
🌟 4. 收敛快，适用于高成本模型
因为每一次试验都很有价值，贝叶斯优化通常只需几十次实验就能找到非常优秀的超参数组合。
这对训练成本高的模型（XGBoost、LightGBM、CatBoost、深度学习）尤其友好。
🌟 5. 程序能画非常直观的可视化
这幅图展示了超参数之间的相互作用及其对模型性能的影响，包括单参数敏感性曲线与双参数组合的响应面，可用于分析最优参数区域与模型对不同超参数的敏感程度。
该图展示贝叶斯优化过程中各超参数的重要性，对模型误差影响最大的为 n_estimators 和 learning_rate，其次为 max_depth，而 subsample 与 reg_lambda 贡献较小，用于判断调参优先级。
🎲 四、随机搜索参数优化算法及示意图
🌟 1、随机搜索是什么？
一句话概括：
“随机搜索就是在超参数空间里不断“抽样试验”，从而找到表现最好的参数组合。
不同于按顺序走格子的调参方式，随机搜索会在整个参数空间中“自由跳跃”，每次从可能区域里随机挑选出一个参数组合，用最直接的方式评估模型的表现。
🌟 2、它的核心思路其实很聪明
虽然名字叫“随机”，但它背后的逻辑却非常高效。
✔ 1. 更广的覆盖范围
每次抽取的点都可能落在搜索空间的不同区域，让模型在有限的预算里探索更多潜在好参数。
✔ 2. 支持多种采样策略
你可以让 learning_rate 以对数分布抽取、让 n_estimators 偏向更大值，这让随机搜索能更贴近真实优化需求。
✔ 3. 每一次试验都独立有效
不依赖复杂的历史记录，适用于快速尝试、快速验证的场景。
换句话说： 它简单，但“简单得很有效”。
🌟 3、为什么它在实际调参中被广泛使用？
在许多模型中，超参数空间往往非常大，比如：
- XGBoost 的树深、学习率、子采样比例
- 神经网络的学习率、层数、节点数
- CatBoost、LightGBM 的几十种可调参数
随机搜索能在这些复杂空间里迅速落点—— 不需要把所有组合都跑一遍，也不需要构建额外的代理模型，只需要不断抽样并测试结果。尤其在遥感反演、深度学习任务中，这种轻量但高覆盖的方式，往往能快速找到一个令人满意的初步最优解。
🌟 4、它适合什么场景？
简单总结几个典型应用：
- 模型初调：快速找到可行参数范围
- 大搜索空间：超参数众多、组合巨大时
- 训练成本高：希望用少量试验找到较好解
- 模型表现敏感：需要探索更大范围避免局部最优
这也是为什么随机搜索常被当作调参的起步策略，先探索，再进一步细化。
🌟 5. 程序能画非常直观的可视化
该图为超参数的成对散点矩阵图，展示不同超参数之间的分布特征与潜在关系，对角线上为各参数的概率密度分布，可用于分析参数空间结构与抽样多样性。
该图展示超参数与模型误差的相关性重要性排名，不同柱状高度反映各参数对 RMSE 的影响强弱，其中 reg_alpha、max_depth 和 learning_rate 贡献最高，有助于确定调参重点方向。
🎲 五、网格搜索参数优化算法及示意图
🌟 1、网格搜索是什么？
一句话概括：
“网格搜索就是把所有设定好的超参数组合排成一个“网格”，逐个尝试，通过评估结果找到表现最佳的那一组参数。
就像在一个二维或多维坐标空间里，把所有候选参数都排列出来，然后把每个点都跑一遍，最终选出模型表现最优的位置。
🌟 2、它的核心原则：全面、稳定、逐点验证
网格搜索的理念非常直观：
- 先定义每个参数可能的取值范围
- 再把这些取值组合成一个完整网格
- 然后对每个组合进行模型训练与验证
- 最后选择最优结果对应的参数
这是一种系统化、无遗漏的搜索方式。它不会遗漏，也不会偏向，它用最直接的方式告诉你： 哪个参数组合最适合你的模型。
🌟 3、为什么网格搜索常被用作调参基础流程？
网格搜索的价值主要体现在几个方面：
✔ 1. 结构清晰、可控性强
你可以完全决定参数候选集，调参过程完全透明。
✔ 2. 适用于小范围、精细化的参数探索
特别适合探索学习率、树深、正则项等关键参数的小步长变化。
✔ 3. 方便结合交叉验证
与 Cross-Validation 结合后，能够获得稳定、可靠的参数评估结果。
✔ 4. 结果可复现、可追踪
每个组合都被尝试过，调参过程完整记录，适合科研工作。
🌟 4、典型应用场景
网格搜索广泛应用于：
- XGBoost / LightGBM / CatBoost 的关键参数精调
- SVM、随机森林、岭回归等模型的标准调参
- 小规模搜索空间的系统验证
- 科研论文中要求严谨、可复现的实验设计
在你的任务里，网格搜索非常适合用于关键参数的局部精调，确保模型在最佳点附近充分探索。
🌟 5. 程序能画非常直观的可视化
该图展示 GridSearchCV 调参过程中各超参数与 RMSE 的相关性重要性，其中 learning_rate、reg_alpha 和 n_estimators 影响最明显，可用于识别关键参数并指导后续调参方向。
5 代码包含具体内容一览
并将训练集和测试集的精度评估指标保存到 metrics. Mat 矩阵中。共两行，第一行代表训练集的，第二行代表测试集的；共 7 个精度评估指标，分别代表 R, R2, ME, MAE, MAPE, RMSE 以及样本数量。
保存的regression_result.mat数据中分别保存了名字为Y_train、y_pred_train、y_test、y_pred_test的矩阵向量。
同样的针对大家各自的数据训练出的模型结构也保存在model.json中，方便再一次调用。
调用的程序我在程序中注释了，如下
# 加载模型
# model.load_model("model.json")
主程序如下，其中从1-10，每一步都有详细的注释，要获取完整程序，请转下文代码获取
# =========================================================
# 主程序
# =========================================================
def main():
print("=== 1. 读取数据 ===")
data = pd.read_excel("data.xlsx")
X = data.iloc[:, :10].values
y = data.iloc[:, 10].values
feature_names = list(data.columns[:10])
print("=== 2. 划分训练与测试 ===")
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
print("=== 3. 归一化 ===")
scaler_X = MinMaxScaler()
scaler_y = MinMaxScaler()
X_train_norm = scaler_X.fit_transform(X_train)
X_test_norm = scaler_X.transform(X_test)
y_train_norm = scaler_y.fit_transform(y_train.reshape(-1, 1)).ravel()
print("=== 4. 模型训练 ===")
model = train_model(X_train_norm, y_train_norm)
print("=== 5. 预测（反归一化到原始尺度） ===")
y_pred_train_norm = model.predict(X_train_norm)
y_pred_test_norm = model.predict(X_test_norm)
y_pred_train = scaler_y.inverse_transform(
y_pred_train_norm.reshape(-1, 1)
).ravel()
y_pred_test = scaler_y.inverse_transform(
y_pred_test_norm.reshape(-1, 1)
).ravel()
print("=== 6. 模型评估 ===")
metrics_train = evaluate_model(y_train, y_pred_train)
metrics_test = evaluate_model(y_test, y_pred_test)
print("\n训练集评估指标:")
for k, v in metrics_train.items():
print(f" {k}: {v:.4f}" if isinstance(v, float) else f" {k}: {v}")
print("\n测试集评估指标:")
for k, v in metrics_test.items():
print(f" {k}: {v:.4f}" if isinstance(v, float) else f" {k}: {v}")
print("=== 7. 保存结果到 MAT 文件 ===")
result_dict = {
"y_train": y_train.astype(float),
"y_pred_train": y_pred_train.astype(float),
"y_test": y_test.astype(float),
"y_pred_test": y_pred_test.astype(float),
}
savemat("regression_result.mat", result_dict)
print("已保存 regression_result.mat")
# 按指标顺序排列
metrics_matrix = np.array([
[metrics_train['R'], metrics_test['R']],
[metrics_train['R2'], metrics_test['R2']],
[metrics_train['ME'], metrics_test['ME']],
[metrics_train['MAE'], metrics_test['MAE']],
[metrics_train['MAPE'], metrics_test['MAPE']],
[metrics_train['RMSE'], metrics_test['RMSE']],
[metrics_train['样本数'], metrics_test['样本数']]
], dtype=float)
savemat("metrics.mat", {"metrics": metrics_matrix})
print("已保存 metrics.mat（矩阵大小 7×2）")
print("=== 8. SHAP 分析 ===")
X_combined = np.vstack([X_train_norm, X_test_norm])
X_df = pd.DataFrame(X_combined, columns=feature_names)
# shap_results = shap_analysis(model, X_combined, feature_names)
plot_shap_dependence(model, X_combined, feature_names, X_df)
print("=== 9. 密度散点图 ===")
plot_density_scatter(
y_test, y_pred_test, save_path="scatter_density_test.png"
)
plot_density_scatter(
y_train, y_pred_train, save_path="scatter_density_train.png"
)
print("=== 10. 相关性热图 ===")
correlation_heatmap(data, feature_names)
print("=== 完成！===")
if __name__ == "__main__":
main()
6 代码获取
Python | Stacking回归和SHAP可解释性分析回归预测及可视化算法
https://mbd.pub/o/bread/YZWalJlpaQ==
Python | 贝叶斯搜索参数优化Stacking回归和SHAP可解释性分析回归预测及可视化算法
https://mbd.pub/o/bread/YZWalJlpaw==
Python | 随机搜索参数优化Stacking回归和SHAP可解释性分析回归预测及可视化算法
https://mbd.pub/o/bread/YZWalJlpbA==
Python | 网格搜索参数优化Stacking回归和SHAP可解释性分析回归预测及可视化算法
https://mbd.pub/o/bread/YZWalJlpbQ==
新手小白/python 初学者请先根据如下链接教程配置环境，只需要根据我的教程即可，不需要安装 Python 及 pycharm 等软件。如有其他问题可加微信沟通。
Anaconda 安装教程（保姆级超详解）【附安装包+环境玩转指南】
