MATLAB 代码实现了一个基于 LightGBM（轻量级梯度提升机） 的回归模型，并在其基础上添加了 区间预测 功能（即预测值附带置信区间）。以下是对该代码的详细分析：

1. 研究背景

在机器学习回归任务中，通常只输出一个点预测值（point prediction），但在许多实际应用中（如金融、能源、交通预测），决策者不仅关心预测值，还关心预测的不确定性（即预测区间）。因此，研究如何在 LightGBM 模型基础上构造预测区间具有重要意义。本代码基于残差的正态性假设，使用训练集残差的标准差构造 95% 置信区间，实现区间预测。

2. 主要功能

• 使用 LightGBM 进行回归建模
• 训练集和测试集的划分与归一化
• 模型训练与早停（early stopping）
• 特征重要性分析
• 点预测 + 区间预测（95% 置信区间）
• 多种回归评价指标计算（R², MAE, MAPE, MBE, RMSE）
• 区间预测评价指标（PICP, PINAW）
• 多图可视化（特征重要性、损失曲线、预测区间、误差图、拟合图）

3. 算法步骤

数据加载与预处理

• 读取 Excel 数据
• 按比例划分训练集/测试集（默认 70% 训练）
• 归一化到 [0,1] 区间

LightGBM 数据集构建

• 使用 lgbmDataset 创建数据集对象
• 设置标签字段

模型参数配置

• 使用 containers.Map 设置 LightGBM 参数
• 目标函数为回归（regression），评估指标为 RMSE

模型训练

• 使用 train 函数训练模型
• 支持早停（基于验证集）

预测与反归一化

• 使用 predictMatrix 预测
• 反归一化得到原始尺度预测值

4. 技术路线

text

数据输入 → 数据划分 → 归一化 → 构建 LightGBM 数据集 → 参数设置 → 模型训练（含早停）
→ 特征重要性分析 → 点预测 → 区间构造（基于残差标准差）→ 评价指标计算 → 可视化输出

7. 运行环境

• 操作系统：Windows（因为加载了 .dll 文件）
• 软件：MATLAB2020b（需支持调用 C 库）

8. 应用场景

该代码适用于需要进行 回归预测并量化不确定性 的场景，例如：

• 电力负荷预测
• 股票价格区间预测
• 交通流量预测
• 环境监测数据预测
• 工业设备寿命预测