一、数据处理类错误

1. 未做数据标准化/归一化

问题本质：神经网络对数据尺度敏感，特征量纲差异会导致训练震荡、收敛缓慢甚至失败。 MATLAB场景典型表现：使用feedforwardnet训练后，预测值与真实值偏差极大，损失曲线波动剧烈。

                  统计类算法，分解类算法也长要求剔除数据飘逸，也需要进行数据标准

% ❌ 错误示例1：直接使用原始数据训练 load('housing_data.mat'); % 假设包含特征X和标签Y net = feedforwardnet([10,5]); net = train(net, X, Y); % 特征量纲差异大，训练失

% ✅ 修复方案：标准化处理 [X_norm, X_params] = mapminmax(X, -1, 1); % 将特征缩放到[-1,1] [Y_norm, Y_params] = mapminmax(Y, -1, 1); net = feedforwardnet([10,5]); net = train(net, X_norm, Y_norm); % 预测时需反标准化 Y_pred_norm = net(X_norm_test); Y_pred = mapminmax('reverse', Y_pred_norm, Y_params);

2. 数据划分错误

问题本质：未做分层抽样、训练/测试集分布不一致，或泄露测试集信息到训练过程。 MATLAB场景典型表现：训练集准确率极高，但测试集准确率骤降（过拟合）。

错误类型	后果	修复方案
随机划分未分层	分类任务中少数类样本被分到测试集	使用cvpartition做分层划分
先标准化后划分	测试集信息泄露到训练数据	先划分数据集，再用训练集参数标准化测试

% ✅ 正确的数据划分与标准化流程 load('iris_dataset.mat'); cv = cvpartition(size(X,2), 'Holdout', 0.2, 'Stratify', Y); % 分层抽样 X_train = X(:, cv.training); X_test = X(:, cv.test); % 用训练集的统计量标准化测试集 [X_train_norm, params] = zscore(X_train); X_test_norm = (X_test - params.mean)./params.std;

---

二、模型架构与训练类错误

1. 网络结构设计不合理

问题本质：隐藏层神经元数量过多（过拟合）或过少（欠拟合），激活函数选择错误。 MATLAB场景典型表现：回归任务中MSE居高不下，分类任务中混淆矩阵对角线值低

% ❌ 错误示例：回归任务使用sigmoid输出层 net = feedforwardnet([20]); net.layers{2}.transferFcn = 'logsig'; % 输出层用sigmoid，限制输出在(0,1)，不适合回归

% ✅ 修复方案：回归任务用线性输出层 net = feedforwardnet([10]); net.layers{2}.transferFcn = 'purelin'; % 输出层用线性激活 net.trainFcn = 'trainlm'; % 回归任务优先用Levenberg-Marquardt算法

2. 训练参数配置错误

问题本质：学习率过大（训练震荡）、迭代次数不足（未收敛）、未设置正则化。 MATLAB场景典型表现：损失曲线在迭代中突然飙升，或停止时损失仍未降到合理范

% ✅ 优化的训练参数配置 net = feedforwardnet([10,5]); net.trainParam.lr = 0.01; % 初始学习率设为0.01（默认0.01，可根据场景调整） net.trainParam.epochs = 1000; % 增加迭代次数 net.trainParam.mu = 0.001; % L2正则化系数，防止过拟合 net.divideFcn = 'dividerand'; % 启用训练/验证/测试集划分 net.divideParam.valRatio = 0.15; % 验证集占比15%，用于早停

---

三、模型可解释性类错误（贴合你关注的SHAP场景）

1. SHAP值计算时的数据维度不匹配

问题本质：MATLAB的shapley函数要求输入特征矩阵与模型训练时的维度完全一致。 典型表现：调用shapley(net, X_test)时报错：输入参数的维度与网络输入不匹配

% ❌ 错误示例：直接用原始数据计算SHAP load('trained_net.mat'); % 训练好的net使用了标准化数据 shap_values = shapley(net, X_test); % X_test未标准化，维度匹配但尺度不匹

% ✅ 修复方案：用训练集的标准化参数处理测试集 [X_test_norm, ~] = mapminmax(X_test, -1, 1, X_params); % X_params来自训练时的mapminmax输出 shap_values = shapley(net, X_test_norm); shapleyPlot(shap_values, 'FeatureNames', feature_names); % 可视化

2. 混淆模型输出与SHAP值的含义

问题本质：SHAP值表示特征对单个样本预测值与全局均值差异的贡献，而非对标签的直接影响。 典型表现：解释时错误表述为"特征A增加1单位，预测值增加0.5"，忽略了SHAP值的相对意义。

---

四、工程实现类错误

1. 未做结果复现性保障

问题本质：神经网络训练的随机性导致每次运行结果不一致，无法复现实验结论。 MATLAB场景表现：两次相同代码运行后，模型准确率差异超过5%。

% ✅ 修复方案：固定随机种子 rng(2026); % 设置全局随机种子 net = feedforwardnet([10,5]); net.divideParam.trainRatio = 0.7; net = train(net, X_norm, Y_norm); % 每次训练结果一致

2. 内存溢出与效率问题

问题本质：处理大规模数据时，未做批量训练或使用了低效的数据结构。 MATLAB场景典型表现：训练时MATLAB崩溃，或等待时间超过预期。

% ✅ 优化方案：使用批量训练 net = feedforwardnet([20]); net.trainFcn = 'trainscg'; % 共轭梯度算法适合大规模数据 net.trainParam.batchSize = 64; % 每次训练64个样本 net = train(net, X_large, Y_large);

五、未定义常数项

问题本质：

问题本质：一些原理类的常数，编程语本身并没有定义具体值，AI编程的时候需要赋值，比如核电常数，原子量单位等

% ✅ 优化方案：除非明确编程语言本身有定义的量，比如圆周率就有定义，没有明确定义的，自己重新定义赋值，以免出现未定义的情况