简介使用OOA-XGBoost鱼鹰算法优化XGBoost分类预测的Matlab完整源码与配套数据主要面向计算机、电子信息工程、数学等专业学生可用于课程设计、期末大作业或毕业设计中的分类预测任务也适合希望结合智能优化算法与XGBoost进行实验复现的研究者资源适配Matlab2023及以上版本便于快速上手。压缩包共18个文件含8个M脚本主程序、鱼鹰优化算法、训练与测试、适应度计算等、4个MAT数据集、3张PNG结果图、XGBoost动态库及头文件另附一份排错文档整体大小约53.69MB。目前已有272人学习或下载说明其具备一定参考价值。代码采用参数化编程参数可方便更改注释详细运行后可直接输出对比图、混淆矩阵图和预测准确率帮助用户直观评估优化效果随包提供的排错文档还能减少环境配置障碍便于快速复现完整流程。1. 鱼鹰算法优化XGBoost从“手动试参玄学”到自动化搜索XGBoost 的调参一直有点玄学。默认参数能跑通但想再往上提一两个百分点很多人就开始凭感觉试 learning_rate、max_depth、subsample 的组合一调就是大半天回头还不确定是参数变好了还是随机种子变好了。我最早也这样干过直到把鱼鹰优化算法OOAOsprey Optimization Algorithm接到 XGBoost 的分类流程里才把这件事从“碰运气”变成“在超参数空间里做有方向的搜索”。它的思路很简单把一组 XGBoost 超参数编码成一只鱼鹰的位置用交叉验证的分类错误率当适应度让算法自己去迭代找最优。这篇笔记面向正在写论文实验、做竞赛刷分、或者需要批量换数据集建模的从业者讲清楚 OOA-XGBoost 的原理、Matlab 实现结构、参数设置和真实踩坑读完后你能直接搭出一套可以复用的调参框架。2. OOA核心机制与XGBoost超参数搜索的匹配逻辑2.1 鱼鹰捕食的两个阶段在做什么OOA 是近几年提出的元启发式算法建模的是鱼鹰鹗捕鱼的过程。鱼鹰不是瞎飞它先在高空定位水面下的鱼俯冲抓取再带着鱼飞到更安全的位置进食。算法把这一过程拆成两个阶段阶段一是“定位与捕鱼”对应全局探索阶段二是“带鱼到合适位置”对应局部开发。两个阶段交替执行就是完整的迭代过程。阶段一的位置更新方式可以写成X_new X r1 × (Fish - I × X)其中 Fish 是当前种群里随机挑出的某个鱼鹰的位置模拟视野里的一条鱼I 是随机取 1 或 2 的整数r1 是 0 到 1 的随机数。这里的核心是“向随机目标靠近同时允许后退”因为 I2 时 Fish - 2×X 会形成一个反向的修正项这保证了个体不会全部涌向同一个方向种群多样性保住了。阶段二模拟的是鱼鹰捕到鱼后飞向附近安全的进食点X_new X r2 × (LB r3 × (UB - LB) - X)其中 LB 和 UB 是搜索空间的上下界r2 和 r3 是随机数。这个式子的含义是在当前个体附近生成一个随机参考点LB r3×(UB-LB) 就是空间内任意一个位置然后向它移动一小段相当于在局部做精细搜索。如果新位置的适应度更好就替换旧位置否则保持不动。放在超参数优化场景里每只鱼鹰的位置就是一个维度为 dim 的向量dim 等于你要优化的 XGBoost 超参数个数位置的每一维对应一个超参数在当前范围内的取值。鱼鹰群体的协作逻辑是每只鱼鹰在阶段一“看看别的鱼鹰在哪”在阶段二“在已有位置的邻域里探索更优解”全局最优个体会被记录并持续参与种群更新。这套机制和 XGBoost 调参的匹配点在于XGBoost 的超参数之间是有耦合的max_depth 变大时可能更需要调大 min_child_weight 来防过拟合learning_rate 调小时要适当增加迭代轮数。网格搜索把这些参数看成彼此独立的网格而群智能算法天然在联合空间里搜索更容易找到参数间的平衡组合这才是 OOA 这类算法在这个场景里真正的价值。2.2 为什么选OOA而不是网格或随机搜索网格搜索的问题是维度灾难。假设你优化 6 个超参数每个取 10 档就是 10^6 次训练。XGBoost 单次训练在中等规模数据集上要几十秒网格搜索直接变成不可能完成的任务。随机搜索虽然能避开网格组合爆炸但它的本质是独立采样没有记忆不会根据已评估点的好坏调整后续采样方向在小预算下经常漏掉好区域。贝叶斯优化是另一个常被拿来对比的方案它通过高斯过程代理模型选择下一组参数小预算下效率确实高但缺点是代理模型本身有超参要调高维空间里高斯过程拟合容易失效如果每次评估的交叉验证误差有波动代理模型容易被噪声带偏。OOA 这类群智能算法走的是另一条路同时有多个起点种群规模 N 个鱼鹰每次迭代通过探索和开发两个阶段协同更新位置不依赖对目标函数形状的假设。实现起来非常直接不需要维护额外的概率模型迭代逻辑只有那两行位置更新公式。对于交叉验证误差这种“带噪声的评估”群智能算法的容错性也比贝叶斯优化更稳。我一般会在这些条件同时满足时选择 OOA-XGBoost数据集规模在几百到几万条之间单次 XGBoost 训练控制在 30 秒内需要优化的超参数在 4 到 8 个有明确的交叉验证评估需求最重要的是希望整套流程能自动化换数据集后不用重新手调。反过来如果单次训练要几十分钟或者数据量上百 G那任何元启发式算法都不划算这个方案就不适用了。3. OOA-XGBoost分类流程编码、适应度与迭代机制3.1 把XGBoost超参数编码成鱼鹰个体实现 OOA-XGBoost 的第一步是定好编码方案。每个鱼鹰个体是一个 1×dim 的行向量每一维对应一个超参数。我通常选 6 个参数max_depth、learning_rate、min_child_weight、subsample、colsample_bytree、lambda。前五个是影响分类精度最直接的参数lambda 负责正则第六个用来压制过拟合。这里有一个关键细节不同参数的量级差异很大。max_depth 是整数且范围只有 1 到 10而 lambda 可能要从 0.001 到 10 跨四个数量级。如果直接把原始值放进位置向量量级小的参数在位置更新时几乎不会被改变等于白优化。我的习惯是对 lambda 这类跨度大的参数先取 log10 再映射到搜索空间解码时再还原。function params decodePosition(pos) % 将个体位置向量解码为 XGBoost 超参数结构体 params.max_depth max(1, round(pos(1))); % 取整并确保最小值为1 params.learning_rate pos(2); % 实数值范围在外部约束 params.min_child_weight max(1, pos(3)); % 防止出现0或负数 params.subsample min(1.0, max(0.5, pos(4))); % 越界截断 params.colsample_bytree min(1.0, max(0.5, pos(5))); params.lambda 10^(pos(6)); % 对数域映射回真实空间 end逻辑说明decodePosition 做的事是把 OOA 位置向量转换成 xgboost 训练能直接用的参数结构体位置向量本身可能在边界外浮动所以做一层截断和取整。lambda 用 10^pos(6) 还原意味着 OOA 搜索的是 log10(lambda)这样 0.001 到 10 的范围在搜索空间里被均匀拉伸避免了小值区域被压缩成一小块。参数说明max_depth 取 round 是因为树深度必须是整数round 后用 max(1,...) 防止位置更新时被推到 0 或负数。subsample 和 colsample_bytree 的截断区间设在 0.5 到 1.0低于 0.5 时采样比例过小模型容易欠拟合而且会让训练噪声变大。lambda 用对数映射是这里最值得记住的做法不这么做你会发现优化完的 lambda 永远停在边界值。3.2 适应度函数K折交叉验证下的分类误差适应度函数是 OOA 和 XGBoost 之间的接口。每个鱼鹰个体都会调用一次适应度函数函数内部完成“解码参数 → K 折交叉验证 → 返回分类错误率”这一串操作。XGBoost 的评估目标是让错误率最小所以适应度 1 - 验证准确率。K 折的选择是个权衡折数太少验证误差方差大OOA 会被噪声带偏折数太多每次评测要训练 K 次时间成本翻倍。我一般固定用 5 折中等数据量下速度和稳定性都合适。交叉验证的划分索引要在主脚本里一次性生成并传入适应度函数不能每次在函数内部随机划分这是保证优化过程不震荡的前提。function fitness objFun(pos, X, y, cvIdx) params decodePosition(pos); numFold size(cvIdx, 2); errSum 0; for k 1:numFold trainIdx cvIdx(:, k) 0; testIdx cvIdx(:, k) 1; % 调用 Python 的 xgboost 库完成训练 % 需要先 pyenv 配置好 Python 环境并 import xgboost model py.xgboost.train(... py.dict(params), ... py.xgb.DMatrix(X(trainIdx, :), pyargs(label, y(trainIdx))), ... int32(50)); predProb double(py.xgboost.predict(model, ... py.xgb.DMatrix(X(testIdx, :)))); predLabel double(predProb 0.5); errSum errSum mean(predLabel ~ y(testIdx)); end fitness errSum / numFold; % 平均错误率越小越好 end逻辑说明这段代码的核心是“每个个体 → 每个折 → 训练一次 → 汇总错误率”。循环外层的 fitness 是 0 到 1 之间的标量OOA 的主循环只需要比较这个标量的大小不需要关心 XGBoost 内部细节。这层封装让 OOA 主循环非常干净换模型时只需要改 objFun 内部。参数说明DMatrix 是 xgboost 的专用数据格式label 必须单独传入。num_round 固定为 50 是起始值后面你可以根据早停结果调整。predLabel 用 0.5 作为分类阈值如果数据类别不平衡这一步会出问题第 5 章会专门讲这个坑。代码里用 py.xgboost 是因为 Matlab 没有原生 XGBoost 接口通过 Python 引擎调用是最新版本里最稳定的方式前提是电脑上装了匹配的 Python 环境。3.3 OOA-XGBoost主循环完整的迭代框架主循环的任务是初始化鱼鹰种群迭代执行“探索阶段 开发阶段”保留全局最优个体。标准的 OOA 迭代代码骨架如下和多数元启发式算法一样核心就是一个双重循环加两个位置更新分支。% 主循环参数 N 20; % 种群规模 T 20; % 最大迭代次数 dim 6; % 优化超参数个数 lb [1, 0.01, 1, 0.5, 0.5, -3]; % 下限 ub [10, 0.30, 20, 1.0, 1.0, 1]; % 上限 % 初始化种群 X repmat(lb, N, 1) rand(N, dim) .* repmat(ub - lb, N, 1); fitness zeros(N, 1); for i 1:N fitness(i) objFun(X(i, :), Xtrain, ytrain, cvIdx); end [gbestVal, gbestIdx] min(fitness); Gbest X(gbestIdx, :); % 全局最优位置 for t 1:T for i 1:N % 阶段一探索随机选择目标鱼 Fish X(randi(N), :); I randi([1, 2]); r1 rand; Xnew X(i, :) r1 .* (Fish - I .* X(i, :)); Xnew max(lb, min(ub, Xnew)); % 越界截断 if objFun(Xnew, Xtrain, ytrain, cvIdx) fitness(i) X(i, :) Xnew; fitness(i) objFun(Xnew, Xtrain, ytrain, cvIdx); end % 阶段二开发向邻域参考点移动 r2 rand; r3 rand; Xnew2 X(i, :) r2 .* (lb r3 .* (ub - lb) - X(i, :)); Xnew2 max(lb, min(ub, Xnew2)); if objFun(Xnew2, Xtrain, ytrain, cvIdx) fitness(i) X(i, :) Xnew2; fitness(i) objFun(Xnew2, Xtrain, ytrain, cvIdx); end end % 更新全局最优 [curBest, curIdx] min(fitness); if curBest gbestVal gbestVal curBest; Gbest X(curIdx, :); end end逻辑说明这个循环里的每个个体每轮要做两次位置更新每次更新后都调用 objFun 做一次完整的 5 折交叉验证。所以总训练次数是 N × T × 2 × 5。按 N20、T20 来算就是 4000 次单折训练如果单次训练要 5 秒整体要跑 5 个多小时。这就是元启发式调参的真实成本运行时要有心理准备也解释了为什么要控制数据规模和迭代次数。参数说明种群规模 N 在 15 到 30 之间比较合适太小容易早熟太大时间成本失控。迭代次数 T 我建议先设 10 跑一次看收敛曲线如果第 10 代精度还在明显下降再调到 20 或 30。lb 和 ub 的第六维是 -3 到 1对应 lambda 的 log10 范围也就是真实值 0.001 到 10。每次位置更新后用 max/min 截断回边界这是标准做法但要注意如果最优解总是被截断在边界说明边界设置有问题需要在第 5 章里排查。4. Matlab工程落地数据划分、参数范围与训练命令4.1 数据读取与分层划分先固定种子再做交叉验证工程落地的第一步不是写算法而是把数据入口和验证框架定好。我一般把整个工程分成四个文件main_OOA_XGB.m 是主脚本负责读取数据和调主循环objFun.m 是适应度函数OOA.m 是算法主循环decodePosition.m 负责解码。这样换数据集时只需要改主脚本里的数据路径和标签处理算法部分完全不用动。数据划分这步最容易埋雷。很多人直接在 objFun 内部调用 cvpartition每评估一次就重新划分一次结果同一个参数每次打分都不同优化过程完全被噪声淹没。正确做法是在主脚本里一次性生成 K 折索引作为参数传给 objFun。% 主脚本片段读取数据并固定划分 rng(2024); % 固定全局随机种子保证可复现 data load(your_dataset.mat); % 假设数据集已存为mat文件 X data.X; % 特征矩阵 y data.y; % 标签向量二分类取0/1 % 分层5折交叉验证保证每折类别比例一致 rng(88); % 再固定一次划分索引完全确定 cvObj cvpartition(y, KFold, 5, Stratify, true); cvIdx zeros(length(y), cvObj.NumTestSets); for k 1:cvObj.NumTestSets cvIdx(cvObj.test(k), k) 1; % 1表示测试折0表示训练折 end逻辑说明cvpartition 的 Stratify 选项会按原始数据的类别比例分层抽样对不平衡数据很重要。如果不分层某折里可能全是少数类那一折的精准率和召回率会剧烈波动适应度函数直接变成随机数发生器。cvIdx 矩阵的作用是把划分结果固定下来objFun 里只做索引查找不重新划分。参数说明rng(2024) 和 rng(88) 分两次设是刻意的。第一个种子固定的是数据加载前的全局状态第二个固定的是划分本身。将来复现结果时只要这两个数字不变无论跑多少次同一个个体得到的适应度都完全一致。这一点在论文实验里是硬性要求也是很多人最容易忽略的细节。4.2 XGBoost超参数取值范围与优先级先看表再动手维度选择不是越多越好。一开始我也试过把 gamma、alpha 全加进去维度一高种群规模不变的情况下搜索效率明显下降收敛变慢。做 OOA-XGBoost 时先优化下面这张表里的 6 个参数就够了gamma 和 alpha 可以在确定基础参数后手工微调。参数搜索范围映射方式优先级说明max_depth1 ~ 10取整高控制树复杂度过深容易过拟合learning_rate0.01 ~ 0.30线性高学习率与迭代轮数联动min_child_weight1 ~ 20线性中叶子节点最小样本权重和subsample0.50 ~ 1.00线性中样本采样比例低于0.5噪声增大colsample_bytree0.50 ~ 1.00线性中特征采样比例lambda0.001 ~ 10log10低L2正则量级跨度大优先级的意思是先保证前三列参数被 OOA 充分搜索lambda 这类正则参数对最终精度的影响通常小于 max_depth 和 learning_rate所以它排在最后。实际观察里subsample 和 colsample_bytree 经常出现最优解在 0.7 到 0.9 之间的情况很少会真的贴到 0.5 边界。参数说明max_depth 的搜索范围到 10 就够超过 10 的树在大多数表格数据上会严重过拟合而且训练时间倍增。learning_rate 上限设 0.3 是因为大于这个值后模型基本不收敛下限 0.01 是性价比边界再小就得大幅增加迭代轮数时间成本扛不住。lambda 的 log10 映射在 3.1 节说过这里再强调一次把范围设成 -3 到 1 而不是直接写 0.001 到 10是一个成熟工程习惯。4.3 最优参数回代与最终训练输出OOA 跑完拿到 Gbest 之后还有一个收尾步骤用最优参数做一次全量训练输出最终模型和评价指标。注意这里不能只报告交叉验证的平均准确率因为 OOA 在优化过程中见过所有折的数据交叉验证分数是“搜索过程的副产品”不是最终模型的独立评估。严谨做法是把数据再留出一个测试集或者在交叉验证框架下单独记录最优参数在每一折上的表现。% OOA结束后用最优参数训练最终模型 bestParams decodePosition(Gbest); bestParams.num_round 200; % 用更多迭代轮数发挥低学习率优势 % 全量数据训练或按9:1划分最终测试集 model py.xgboost.train(py.dict(bestParams), ... py.xgb.DMatrix(X, pyargs(label, y)), int32(bestParams.num_round)); % 在预留测试集上评估 predProb double(py.xgboost.predict(model, ... py.xgb.DMatrix(Xtest, pyargs(label, ytest)))); predLabel double(predProb 0.5); acc mean(predLabel ytest); cm confusionmat(ytest, predLabel);逻辑说明这里把 num_round 手动从优化时的 50 改成 200是因为 learning_rate 被 OOA 调到 0.01 附近后50 轮根本不够收敛。这是一个很重要但又容易被忽略的联动优化时的每次评估为了控制时间用较少的轮数但最终模型应该用足量轮数否则最优参数被低估了。参数说明confusionmat 输出的是混淆矩阵比单个准确率更能看出问题比如类别不平衡时准确率可能虚高。预算允许的话建议在 OOA 开始之前就留出一个 10% 的最终测试集这个测试集从头到尾不参与优化只在最后评估一次。没有独立的最终测试集你报告的所有数字都只是“调参过程中的历史最好成绩”不是模型真实泛化能力的证据。5. OOA-XGBoost排查与避坑5个真实踩坑记录5.1 优化器在第5代就停住了精度还不如默认参数现象收敛曲线下降几代后就不再变化最优个体卡在一个角落最终分类精度和 XGBoost 默认参数差不多甚至更低。原因种群规模太小加上边界设置过窄。最典型的情况是 max_depth 的上界设成了 6整个搜索空间被压在默认参数附近鱼鹰个体稍微移动几次就到边界位置更新公式里的随机扰动全被 max(min) 截断吞掉探索能力彻底失效。另外 N10 时种群多样性不够阶段一的随机目标 Fish 翻来覆去就那几个位置很难跳出局部最优。解决把 max_depth 上界放开到 10subsample 和 colsample_bytree 的跨度保留足够余量同时把种群规模 N 提到 20 以上。调试时可以打印每一代最优个体的位置向量如果连续多代某些维度顶在边界上说明边界画窄了直接放大。还有一个实用技巧初始种群不要全部随机生成而是把“默认参数的一组个体”“边界附近的一组个体”手动塞进初始种群里让算法一开始就有多样性和对比基准。5.2 收敛曲线像心电图适应度反复横跳现象相邻两次迭代的最优适应度波动很大明明是同一个参数组合这次评估是 0.18下次就变成 0.21。原因几乎可以断定是交叉验证划分没有固定。objFun 内部直接调用 cvpartition每评估一次就重新划分一次数据顺序一变验证集上的准确率就变同一个个体被赋予不同的适应度。这样一来OOA 的“位置更新后比较适应度”这个核心操作变得毫无意义算法在跟随机噪声对抗不是在找最优参数。解决把 cvpartition 的划分索引在 main 脚本里生成并传入 objFun同时固定随机种子。注意不仅要固定 rng还要把 cvpartition 对象保存下来或者把划分结果存成逻辑索引矩阵保证整个 OOA 运行期间划分严格一致。另外如果你的数据量很小几百条5 折的验证误差标准差本身就大建议改用重复 5 折即做 3 次不同的 5 折划分取均值方差能明显下降代价是训练时间变为原来的 3 倍。5.3 Matlab调用xgboost报错库未加载或模块不存在现象运行到 py.xgboost.train 时报错提示“未找到类”“Python 无法导入 xgboost”或者“libgomp 无法加载”。Matlab 版本不同报错文案五花八门但本质都是 Matlab 找不到 Python 环境里的包。原因Matlab 的 py.xxx 语法要求当前 Python 环境路径正确、xgboost 装到了那个环境里。很多人机器上装了多个 Python 环境Matlab 默认连的是 Anaconda 基础环境而 xgboost 装在另一个 venv 里自然导入失败。libgomp 报错则是 Windows 下 xgboost 的 DLL 依赖问题和 Matlab 无关但同样卡死工程。解决在 main 脚本开头用 pyenv 检查并指定解释器路径pyenv(Version, C:\Python39\python.exe); % 改成你实际的环境路径 py.importlib(import, xgboost); % 主动验证能否导入如果 pyenv 切换后还是导入失败用命令行进到你指定的那个 Python 环境里执行 pip install xgboost 和 python -c import xgboost确认环境本身没问题。libgomp 报错在 Windows 上常见去 xgboost 官网下载对应的 Windows 预编译包覆盖安装通常能解决这个坑属于环境问题不是代码问题排查时先不要动 OOA 主循环。5.4 最优解总贴着边界比如learning_rate永远停在0.01现象OOA 给出的最优参数里某个维度几乎每次都等于搜索范围的端点例如 learning_rate0.01、min_child_weight20。第一反应可能是“参数越小越好”但如果把它当成真理换到别的数据集上往往翻车。原因两个叠加因素。第一我在 3.2 节提过优化时 num_round 固定为 50learning_rate 越小需要的轮数越多50 轮根本不够所以 0.01 在优化阶段被严重低估OOA 发现往小方向走“每轮都在涨分”就一直推到边界。第二小数据量下交叉验证方差大极端参数有时在特定划分上碰巧表现好算法就把这个噪声当真了。解决先把 num_round 在优化阶段提到 100 到 200让 learning_rate 和迭代轮数的联动关系在评估阶段就成立再把优化结果回代时用更多轮数验证。另一个思路是把 learning_rate 的下界从 0.01 提到 0.02人为排除过于极端的区域这类参数在实际业务里也不可取。如果最优解仍然贴边界需要调整的是边界本身而不是接受这个结果。5.5 同一份代码跑两次结果不一样复现变成了黑匣子现象上午跑完保存结果下午重跑一次最优参数变了精度也变了完全无法复现。原因随机性来源有四个初始化种群的 rand 函数、OOA 内部位置更新的 rand 函数、xgb.train 内部的 subsample 采样没指定 seed、以及交叉验证划分如果没固定。这四个只要有一个没固定结果就不可复现。很多人只固定了 rng但 xgboost 内部的随机过程是独立控制的。解决在主脚本里加三行rng(2024); % 固定Matlab全部随机数 cvIdx fixedCV(); % 固定交叉验证划分 bestParams.seed 42; % 传给xgboost的随机种子xgboost 的 train 接口支持 seed 参数Matlab 里调用时通过 py.dict 传进去。这样跑两次Gbest 和最终精度完全一致。做实验记录时把 rng 种子、cvIdx 划分过程、xgboost 的 seed 三项一起记录这是论文可复现的最低要求。没有这三个数字你的实验结果对别人来说就是一个黑匣子自己过两周回来也说不清楚。6. 进阶把OOA-XGBoost做成可复用的调参框架走到这一步你已经能在单个数据集上跑通 OOA-XGBoost 了。接下来值得做的是把它从“跑通”升级成“可复用”。我目前维持的习惯是把三个扩展点固化在框架里。第一个扩展适应度函数从错误率换成 1 - AUC。二分类遇到类别不平衡时准确率会虚高错误率作为适应度会引导 OOA 去优化多数类少数类全被牺牲。换 AUC 前记得把方向取反因为 OOA 默认适应度越小越好。实现上只需在 objFun 里用 perfcurve 计算 AUC然后取 fitness 1 - auc。这一个改动对不平衡数据的改善比调任何超参数都明显。第二个扩展优化阶段的 num_round 不要写死而是用早停确定。做法是在每个折的验证集上记录前 50 轮里表现最好的轮数取所有折的平均作为该个体的“推荐轮数”适应度用最优轮数下的验证误差。这比固定 50 轮更接近参数的真实潜力代价是每评估一次要额外训练几十轮时间增加。小数据集上值得大数据集上看预算决定。第三个扩展把 OOA 自身参数N、T、lb、ub抽成配置文件换数据集时只改配置。碰过的血泪经验是换数据集后忘记同步修改 max_depth 的上界导致新数据上的搜索空间完全不合理。我现在把“数据集名称、类别数、样本量、特征数、N、T、各维边界”写在一个初始化函数里每次开始前先打印一遍配置确认没问题再启动。改动数据入口、算法逻辑、评估指标被拆成三个独立层后换数据集就是改配置文件的事OOA 主循环和 objFun 的内部逻辑基本不动。最后补一句我自己的习惯每次跑这类优化前我做的第一件事永远是先固定随机种子再调参数。这个习惯救过我很多次希望帮到你。本文还有配套的精品资源点击获取
