温馨提示：集成学习模型精度不一定最佳，预测结果可能居中，适合具有一定场景的预测。

一、研究背景

该代码研究的是集成学习中的Stacking方法在回归预测任务中的应用。Stacking是一种通过组合多个不同基础模型（基学习器）的预测结果，再通过一个元学习器进行最终预测的集成策略，旨在提高模型的泛化能力和预测精度。

二、主要功能

代码实现了一个完整的Stacking集成回归预测系统，包括：

数据预处理：读取、标准化、划分数据集；

基学习器训练：

• SVM（支持向量机）回归模型，采用网格搜索优化参数；
• BP神经网络回归模型；

元学习器训练：使用随机森林（RF）对基学习器的输出进行融合；

模型评估：计算R²、MAE、MSE、RMSE、RPD等指标；

可视化：包括SVM参数搜索的3D图、预测对比图、残差分析、性能对比柱状图等；

模型保存：保存训练好的模型和预测结果。

三、算法步骤

1. 数据准备与标准化；
2. SVM参数网格搜索与模型训练；
3. BP神经网络训练；
4. 构建Stacking特征：将SVM和BP的预测作为元学习器的输入；
5. 训练随机森林元学习器；
6. 反标准化并计算性能指标；
7. 可视化分析；
8. 保存模型与结果。

四、技术要点

• 基学习器：SVM（RBF核） + BP神经网络；
• 元学习器：随机森林（回归树集成）；
• 优化方法：网格搜索（SVM参数C与γ）；
• 评估方法：5折交叉验证；
• 可视化工具：MATLAB绘图函数。

七、运行环境

• MATLAB版本：2019b及以上；
• 必要工具箱：
• Statistics and Machine Learning Toolbox（用于SVM、随机森林）
• Neural Network Toolbox（用于BP神经网络）

八、应用场景

该模型适用于各类回归预测问题，如：

• 房价预测
• 销量预测
• 股票价格预测
• 能源负荷预测
• 工业参数预测等
• 尤其适用于数据非线性强、特征复杂、单一模型预测效果有限的场景。