基于GRNN+SHAP可解释性分析的回归预测 Matlab代码

---

一、原理概述

1. GRNN回归模型

GRNN是一种基于概率密度的径向基神经网络，由Donald F. Specht于1991年提出。其核心特点包括：

• 结构简单：仅需设置光滑因子（Spread）σ，无需迭代训练。
• 数学表达：
  给定输入 $ x $ 和输出 $ y $，预测公式为：
  $$\hat{y}(x)=\frac{{\sum }_{i=1}^n{y}_i\exp \left(-\frac{\Vert x-x_i{\Vert }^2}{2{\sigma }^2}\right)}{{\sum }_{i=1}^n\exp \left(-\frac{\Vert x-x_i{\Vert }^2}{2{\sigma }^2}\right)}$$
  其中 $ \sigma $ 控制径向基宽度，影响模型平滑度。
• 参数优化：通过交叉验证选择最优σ，平衡过拟合与泛化能力。

2. SHAP可解释性分析

SHAP基于博弈论中的Shapley值，量化特征对预测的边际贡献，满足四大性质：

• 对称性：相同贡献的特征SHAP值相等。
• 有效性：所有特征SHAP值之和等于预测值与基准值之差。
• 线性性：模型线性组合时SHAP值可加。
• 零贡献性：无贡献特征SHAP值为零。
  在GRNN中，SHAP揭示特征如何通过加权距离影响预测结果。

---

二、完整Matlab代码框架

%% 1. 数据准备与预处理
data = readmatrix('your_data.csv'); % 读取数据
X = data(:,1:end-1); Y = data(:,end); % 划分特征与目标
[x_norm, x_settings] = mapminmax(X'); % 归一化至[-1,1]
[trainInd, testInd] = dividerand(size(X,1),0.8,0.2); % 80%训练集

%% 2. GRNN模型构建与训练
sigma = 0.1:0.01:1; % σ搜索范围
best_sigma = optimize_sigma(X(trainInd,:), Y(trainInd), sigma); % 交叉验证选优
net = newgrnn(X(trainInd,:)', Y(trainInd)', best_sigma); % 创建GRNN

%% 3. 预测与评估
y_pred_train = sim(net, X(trainInd,:)'); % 训练集预测
y_pred_test = sim(net, X(testInd,:)'); 
mse = mean((y_pred_test' - Y(testInd)).^2); % 均方误差

%% 4. SHAP可解释性分析
shap_values = zeros(size(X)); % 初始化SHAP矩阵
baseline = mean(y_pred_train); % 基准值（训练集预测均值）
for i = 1:size(X,1)
    shap_values(i,:) = kernel_shap(@(x) sim(net,x'), X(i,:), baseline); 
end

%% 5. 可视化
figure;
plot(Y(testInd), 'b'); hold on; plot(y_pred_test, 'r--'); % 预测 vs 实际
shap_summary_plot(shap_values, X); % SHAP摘要图

注：完整代码需自定义optimize_sigma（σ优化）和kernel_shap（SHAP计算）函数。

---

三、关键步骤详解

1. GRNN参数优化（σ选择）

function best_sigma = optimize_sigma(X, Y, sigma_range)
    k = 5; % 五折交叉验证
    cvInd = crossvalind('Kfold', size(X,1), k);
    mse_cv = zeros(length(sigma_range),1);
    
    for s = 1:length(sigma_range)
        for fold = 1:k
            trainIdx = (cvInd ~= fold); testIdx = (cvInd == fold);
            net = newgrnn(X(trainIdx,:)', Y(trainIdx)', sigma_range(s));
            y_pred = sim(net, X(testIdx,:)');
            mse_cv(s) = mse_cv(s) + mean((y_pred' - Y(testIdx)).^2);
        end
    end
    [~, idx] = min(mse_cv);
    best_sigma = sigma_range(idx);
end

原理：σ过小导致过拟合，过大则欠拟合（图1）。交叉验证最小化验证集MSE。

2. SHAP值计算（Kernel SHAP方法）

function shap = kernel_shap(predict_fn, x_instance, baseline)
    M = size(x_instance,2); % 特征数
    shap = zeros(1,M);
    for j = 1:M
        % 生成特征子集组合
        subsets = randperm(M, randi(M)); 
        mask = ismember(1:M, subsets);
        
        % 扰动特征：未被选中的特征用实例值填充
        x_perturbed = repmat(x_instance, 100, 1); % 蒙特卡洛采样
        x_perturbed(~mask,:) = nan; 
        x_perturbed = fillmissing(x_perturbed, 'constant', baseline);
        
        % 计算边际贡献
        pred_full = predict_fn(x_perturbed);
        pred_without_j = predict_fn(x_perturbed(:, setdiff(1:M,j)));
        shap(j) = mean(pred_full - pred_without_j);
    end
end

原理：

• 通过特征扰动模拟特征缺失，计算预测差值。
• 加权平均所有子集组合的贡献（Shapley值核心思想）。

3. SHAP可视化函数

function shap_summary_plot(shap_values, X)
    % 全局特征重要性（均值|SHAP|）
    global_importance = mean(abs(shap_values),1);
    [~, idx] = sort(global_importance, 'descend');
    
    figure;
    subplot(1,2,1);
    bar(global_importance(idx)); 
    set(gca, 'XTickLabel', X.Properties.VariableNames(idx)); % 特征名排序
    
    % 局部解释力（Force Plot示例）
    subplot(1,2,2);
    instance_id = randi(size(X,1));
    force_plot(baseline, shap_values(instance_id,:), X(instance_id,:));
end

---

四、案例应用：正向渗透（FO）水通量预测

1. 数据集与输入特征

特征	物理意义	归一化范围
MembraneArea	膜面积 (m²)	[0.1, 0.9]
FeedFlowRate	进料流速 (L/h)	[0.2, 1.0]
DrawFlowRate	汲取液流速 (L/h)	[0.3, 1.1]
FeedConc	进料浓度 (mol/L)	[0.05,0.5]
DrawConc	汲取液浓度 (mol/L)	[0.1, 0.8]
目标变量：水通量 $ J_w $ (L/m²h) 。

2. 结果分析

• 预测精度：GRNN的 $ R^2 > 0.95 $，优于传统机理模型。
• SHAP解释：
  • 全局重要性：DrawConc > FeedFlowRate > MembraneArea
  • 局部解释：高汲取液浓度在特定工况下贡献负向影响（渗透压饱和效应）。

---

五、讨论与优化建议

1. 计算效率优化

   • SHAP采用蒙特卡洛采样替代全组合计算（复杂度从 $ O(2^M) $ 降至 $ O(kM) $)。
   • 分布式计算：用Parallel Computing Toolbox加速特征扰动循环。

2. 模型改进方向

   • σ自适应：IPO算法动态优化σ。
   • 混合架构：GRNN + 残差Kriging提升空间预测能力。

3. 可解释性扩展

   • 交互效应：用SHAP Interaction Values量化特征耦合作用。
   • 对比分析：结合LIME提供多角度解释。

---

参考文献与代码资源

1. GRNN原理：
2. SHAP数学基础：
3. 完整代码下载：

   % 私信博主获取