基于贝叶斯优化超参数的图卷积网络（BO-GCN）分类预测模型（附实验文档+Matlab代码）

基于贝叶斯优化超参数的图卷积网络（BO-GCN）分类模型

本文介绍一种将**贝叶斯优化（Bayesian Optimization）与图卷积网络（GCN）**相结合的分类方法，通过智能超参数搜索实现分类性能的自动优化。

---

一、背景与动机

在机器学习建模过程中，超参数的选择往往决定了模型的最终性能。传统做法依赖人工经验反复试错，不仅耗时耗力，而且难以找到全局最优组合。

图卷积网络（GCN）作为处理图结构数据的强大工具，在节点分类、图分类等任务中表现出色。然而，GCN的超参数（如隐层维度、学习率、训练轮次等）对模型性能影响显著，手动调参效率低下。

本文提出的 BO-GCN 框架，利用贝叶斯优化自动搜索GCN的最优超参数组合，实现了"一键调参"，让模型训练更加高效和智能。

---

二、整体流程

整个BO-GCN分类模型的流程可以概括为以下五个步骤：

数据预处理 → 图结构构建 → 贝叶斯优化超参数 → 最优模型训练 → 性能评估

下面逐一展开介绍。

---

三、数据预处理

3.1 数据读取与划分

模型从Excel文件中读取样本数据，其中最后一列为类别标签，其余列为输入特征。数据预处理包括：

1. 随机打乱：对样本顺序进行随机重排，消除数据排列带来的偏差
2. 分层划分：按类别比例将数据划分为训练集（70%）和测试集（30%），确保各类别在两个集合中比例一致
3. 归一化：将特征映射到 [0, 1] 区间，加速模型收敛

3.2 关键代码逻辑

% 按类别分层划分
for i = 1 : num_class
    mid_res  = res((res(:, end) == i), :);
    mid_tiran = round(0.7 * size(mid_res, 1));
    % 前70%进入训练集，后30%进入测试集
end

% 归一化到 [0, 1]
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);

---

四、图结构构建

GCN的核心在于利用样本间的拓扑关系 进行信息传递。本文采用Spearman秩相关系数来衡量样本之间的相似性，构建邻接矩阵：

ATrain_full = corr(P_train', 'type', 'Spearman');

为什么选择Spearman相关系数？

• 对非线性关系具有更好的捕捉能力
• 对异常值具有鲁棒性
• 基于秩次计算，不依赖数据的绝对数值

邻接矩阵 A 描述了样本间的相似性关系，是GCN消息传递的基础------每个样本的表示会通过邻接矩阵聚合其"邻居"的信息。

---

五、贝叶斯优化超参数搜索

5.1 什么是贝叶斯优化？

贝叶斯优化是一种高效的全局黑箱优化方法，特别适合评估成本高昂的超参数搜索问题。其核心思想是：

组件	说明
代理模型（Surrogate）	使用高斯过程（GP）对目标函数建模，给出每个点的预测均值和不确定性
采集函数（Acquisition）	基于代理模型的后验分布，平衡"探索"（高不确定性区域）和"利用"（低目标值区域）
迭代更新	选择采集值最大的超参数组合进行真实评估，将结果反馈给代理模型，循环往复

相比网格搜索和随机搜索，贝叶斯优化的优势在于：用更少的评估次数找到更优的超参数组合。

5.2 搜索空间定义

本文对以下三个关键超参数进行优化：

超参数	搜索范围	类型	说明
numHiddenFeatureMaps	[16, 128]	整数	隐藏层特征维度
learnRate	[1e-4, 1e-1]	对数尺度	Adam优化器学习率
numEpochs	[200, 2000]	整数	训练迭代次数

optimVars = [
    optimizableVariable('numHiddenFeatureMaps', [16, 128], 'Type', 'integer')
    optimizableVariable('learnRate', [1e-4, 1e-1], 'Transform', 'log')
    optimizableVariable('numEpochs', [200, 2000], 'Type', 'integer')
];

设计亮点：学习率采用对数尺度搜索，因为学习率的合理取值往往跨越多个数量级，对数尺度能更均匀地覆盖有效区域。

5.3 优化执行

使用 expected-improvement-plus 采集函数，最大评估次数设为30次：

results = bayesopt(objFcn, optimVars, ...
    'MaxObjectiveEvaluations', 30, ...
    'AcquisitionFunctionName', 'expected-improvement-plus', ...
    'IsObjectiveDeterministic', false, ...
    'PlotFcn', {@plotMinObjective, @plotElapsedTime}, ...
    'Verbose', 1);

其中 IsObjectiveDeterministic 设为 false，以应对训练过程中随机性带来的影响。

---

六、GCN网络结构

6.1 网络架构

模型采用四层结构，包含三个图卷积层和一个分类全连接层：

输入 X → [图卷积层1 + 残差] → [图卷积层2 + 残差] → [图卷积层3] → [分类层] → 输出 Y

6.2 核心代码

function Y = model(parameters, X, A)
    Z1 = X;

    % 图卷积层1：A·Z1·W + 残差连接
    Z2 = pagemtimes(pagemtimes(A, Z1), parameters.mult1.Weights);
    Z2 = relu(Z2) + Z1;   % ReLU激活 + 残差连接

    % 图卷积层2：A·Z2·W + 残差连接
    Z3 = pagemtimes(pagemtimes(A, Z2), parameters.mult2.Weights);
    Z3 = relu(Z3) + Z2;   % ReLU激活 + 残差连接

    % 图卷积层3：A·Z3·W → 标量输出
    Z4 = pagemtimes(pagemtimes(A, Z3), parameters.mult3.Weights);
    Z4 = squeeze(Z4);

    % 分类层：全连接 + Softmax
    Z5 = parameters.mult4.Weights' * Z4;
    Y = softmax(Z5, DataFormat="BC")';
end

6.3 设计亮点

• 残差连接（Residual Connection） ：前两层采用 relu(Z) + Z_prev 的残差结构，有效缓解深层网络的梯度消失问题，使信息能够更顺畅地流动
• Glorot初始化：权重采用Glorot均匀分布初始化，根据输入/输出维度自适应调整初始化范围，有利于训练稳定性
• Adam优化器：使用自适应矩估计优化器，自动调节各参数的学习步长

---

七、损失函数

模型使用**交叉熵损失（Cross-Entropy Loss）**作为训练目标：

function [loss, gradients] = modelLoss(parameters, X, A, T)
    Y = model(parameters, X, A);
    loss = crossentropy(Y, T, DataFormat="BC");
    gradients = dlgradient(loss, parameters);
end

利用MATLAB的自动微分（dlfeval + dlgradient）高效计算损失和梯度，无需手动推导反向传播公式。

---

八、实验结果

8.1 贝叶斯优化结果

经过30次迭代评估，贝叶斯优化搜索到的最优超参数组合为：

超参数	最优值
隐层特征数	120
学习率	0.065247
训练迭代数	1450
最小训练误差	0.0683

8.2 分类性能

指标	值
训练集准确率	89.56%
测试集准确率	83.33%
灵敏度（SE）	0.81
特异性（SP）	0.96
AUC	0.94
Kappa系数	0.79
F-measure	0.88
PAM（多边形面积指标）	0.75

8.3 结果分析

• 测试集准确率达83.33%，表明模型具有良好的泛化能力
• 特异性高达0.96，说明模型对负类的识别能力极强
• AUC为0.94，接近理想值1.0，证明模型具有优秀的区分能力
• 训练集与测试集准确率差距约6%，未出现严重过拟合

---

九、多维度评估：PAM指标

除了常规的分类指标外，本文还引入了**多边形面积指标（Polygon Area Metric, PAM）**进行综合评估。

PAM将分类准确率（CA）、灵敏度（SE）、特异性（SP）、AUC、Kappa系数和F-measure六个指标映射到正六边形的六个顶点上，通过计算多边形面积来综合反映分类器性能：

• PAM值越接近1，表示各维度表现越均衡、综合性能越好
• 本模型PAM = 0.75，说明在多个评价维度上均取得了较好的平衡

---

十、可视化输出

模型训练完成后，自动生成以下可视化图表：

1. 训练损失收敛曲线 --- 展示模型训练过程中损失函数的下降趋势
2. 贝叶斯优化收敛曲线 --- 展示BO搜索过程中目标值的变化
3. 训练集/测试集预测结果对比图 --- 直观对比真实值与预测值
4. 混淆矩阵 --- 展示各类别的分类详情
5. PAM六边形图 --- 多维度综合评估可视化

---

十一、技术总结

核心创新点

创新点	说明
BO + GCN 融合	首次将贝叶斯优化应用于GCN超参数搜索，实现自动化调参
Spearman图构建	基于秩相关系数构建样本关系图，增强对非线性关系的捕捉
残差图卷积	在图卷积中引入残差连接，提升深层网络的信息传递效率
多维评估体系	结合PAM等多指标进行全面评估，避免单一指标的片面性

适用场景

• 样本数量与特征维度匹配的中小规模分类任务
• 需要挖掘样本间隐含关系的分类问题
• 对模型可解释性和调参效率有较高要求的场景

运行环境

• MATLAB R2020b及以上
• 需要Statistics and Machine Learning Toolbox、Deep Learning Toolbox

---

十二、代码文件说明

文件名	功能
BO_GCN_main.m	主程序：数据预处理、BO优化、模型训练与评估
BO_objective.m	贝叶斯优化目标函数：构建并评估给定超参数下的GCN
model.m	GCN前向传播模型：四层网络结构定义
modelLoss.m	损失函数与梯度计算：交叉熵 + 自动微分
initializeGlorot.m	Glorot权重初始化
polygonareametric.m	PAM多边形面积综合评价指标

---

本文代码完整可运行，欢迎交流讨论！

完整实验文档+Matlab代码私信回复基于贝叶斯优化超参数的图卷积网络（BO-GCN）分类预测模型（附实验文档+Matlab代码）