贝叶斯算法(BO/Bayes)优化机器学习模型分类预测、回归预测、单变量时序预测、多变量时序预测、多输出回归预测、单变量时序预测递归预测未来数据模型 Matalb代码 代码中文注释非常详细，非常适合新手小白 前私信确认价格再联系呢 代码使用方法： 优化单输出模型：无需更改代码替换数据集即可运行 优化多输出模型：根据输出个数修改outdim值，然后替换数据集即可运行 单一模型：SVM,LSSVM,RF,RBF,KELM,HKELM,CNN,LSTM,BiLSTM,GRU,BiGRU,DNN,DBN,ESN,XGBoost,ANN,GRNN,Transformer,TCN,BiTCN等 组合模型：CNN-LSTM,CNN-GRU,CNN-BiLSTM,CNN-BiGRU,CNN-SVM,CNN-LSSVM,CNN-LSTM-Attention,CNN-BiLSTM-Attention,CNN-GRU-Attention,CNN-BiGRU-Attention,Transformer-LSTM/BiLSTM/GRU/BiGRU/SVM,TCN-LSTM,BiTCN-BiGRU等 文案图像解释： 图1-2：为分类图 图3-4：为回归图 图5-6：为单变量时序预测和多变量时序预测图 图7-8：为多输出图 以上模型价格不同，请勿直接呢，前私信确定 单个代码无优惠，多个有折扣 注：保证源程序运行， 代码只是个工具，无法替换数据就达到你想要的效果，考虑好再
搞机器学习最头疼的就是调参对吧？特别是时序预测这种数据复杂的场景，网格搜索能跑得你怀疑人生。今天分享一套用贝叶斯优化自动调参的万能模板，支持二十多种主流模型，分类、回归、时序预测全场景通吃。先看效果：
代码核心优势就三点：
- 单行代码切换SVM/LSTM/Transformer等模型
- 自动寻找最优超参数组合
- 支持多变量时序、多输出回归等复杂场景
举个实际例子，用LSTM预测股票价格时，隐藏层神经元数、学习率、dropout率这些参数怎么选？传统方法要手动排列组合，现在只需要：
`matlab
% 定义参数搜索空间
vars = optimizableVariable('hiddenUnits',\[10,100,'Type','integer');
optimizableVariable('lr',1e-4,1e-2,'Transform','log');
optimizableVariable('dropout',0.1,0.5)];
% 启动贝叶斯优化
results = bayesopt(@(params)lstm_predict(params,trainData), vars);
`
这里bayesopt会智能探索参数组合，自动过滤掉垃圾参数。经测试，在CNN-LSTM组合模型上，贝叶斯优化比随机搜索快3倍找到最优参数。
新手必看的数据预处理：
`matlab
% 多变量时序数据标准化
trainData, mu, sigma = zscore(data);
testData = (testData - mu)./sigma;
% 时间序列滑窗处理（滑动窗口=24）
XTrain = \[\];
YTrain = \[\];
for i = 1:length(data)-24
XTrain(:,:,i) = data(i:i+23, :);
YTrain(i,:) = data(i+24, 1:outdim); % outdim控制输出维度
end
`
这段代码做了两件重要的事：消除量纲影响和构建时间依赖关系。注意outdim这个变量，当你要做多输出预测（比如同时预测股价和成交量），把这个值改成2就能立刻切换模式。
踩坑提醒：
- 数据量小于1000条时建议选SVM/RBF等浅层模型
- LSTM系列必须做梯度裁剪（代码里已有clipnorm设置）
- 多变量预测记得检查特征间的相关性矩阵
最后说个骚操作：用parfor并行加速优化过程。在i7处理器上跑Transformer调参，开启并行后迭代速度直接翻倍：
`matlab
% 开启并行计算池
if isempty(gcp('nocreate'))
parpool('local',4); % 4核并行
end
options = bayesopt('Options',...
'UseParallel',true);
`
这套代码最香的地方在于模块化设计，你要换模型就像换乐高积木。比如想把CNN-LSTM改成Transformer-GRU：
`matlab
% 原模型
model = @cnnlstmmodel;
% 修改后
model = @transformergrumodel;
`
不需要动其他代码结构，实测过十几种排列组合都稳定运行。文末获取代码包后记得看FAQ.md文件，整理了二十多个常见报错解决方案。