1. 为什么是蜣螂算法 + 高斯过程回归
做回归预测这些年，我见过太多拿训练集跑得天花乱坠、一到测试集就露馅的案例。如果你手里有一组多输入单输出的数据，想在 Matlab 环境里做一个既有稳定精度、又不至于玄学调参的模型，那么“蜣螂算法优化高斯过程回归”这个组合——也就是标题里的 DBO-GPR——是值得认真试一试的方案。
先把话说清楚：GPR（Gaussian Process Regression，高斯过程回归）是一种基于贝叶斯理论的非参数回归方法。它的优势非常突出，尤其是小样本场景下，几百条数据、几十条数据，GPR 都能给出不错的预测，并且天然带有置信区间。但它的痛点同样明显——超参数太敏感。核函数的长度尺度、信号方差、噪声方差，这几个参数选得不好，模型弹都弹不起来：要么过拟合，训练集漂亮得像涂了滤镜，测试集一塌糊涂；要么欠拟合，预测曲线跟一根棍似的，完全没抓住数据规律。
这时候就该轮到群体智能算法上场了。蜣螂优化算法（Dung Beetle Optimizer，DBO）是这几年的新算法，主要模拟蜣螂的滚球、跳舞、繁殖、觅食、偷窃五种行为。相比传统的网格搜索、随机搜索或者遗传算法，DBO 的全局搜索能力更强，收敛速度也更快，用它去搜索 GPR 的最佳超参数组合，能极大降低调参的人工成本。
所以这个项目最核心的思路就是：把“GPR 预测模型”和“DBO 超参数寻优”结合，形成一个自动化的回归预测管线。整个流程是多变量、多输入、单输出，输入特征可以是多个维度，输出是一个连续数值，比如工业过程中的多维工艺参数预测某个质量指标，或者环境监测数据预测某个污染物浓度。适合谁来学？两类人：一类是已经会用 GPR 但苦于超参数调节反复试错的研究工作者；另一类是刚接触智能优化算法的同学，想找一个“算法 + 模型”结合的可落地方向，这个项目是非常好的起点。
2. 核心原理解析：GPR 怎么工作，DBO 又优化了什么
2.1 高斯过程回归的基础印象
GPR 的数学基础是高斯过程，简单理解就是：它假设函数值服从一个联合高斯分布。给定训练集 ( (X, y) )，通过核函数（也叫协方差函数）刻画样本之间的相似度，进而对新输入点 ( x^* ) 给出预测均值 ( \mu^* ) 和预测方差 ( \sigma^{2*} )。
实际操作中，GPR 的预测精度和三个超参数的关系最大：
- 核函数的长度尺度（Length Scale, ( l )）：控制每个输入特征对输出的影响半径。值太大，模型认为特征对输出的影响很迟钝，可能欠拟合；值太小，模型对特征变化极敏感，容易过拟合。对于多维输入，Matlab 的
fitrgp中还支持自动相关判定（ARD），每个特征一个长度尺度。 - 信号标准差（SigmaF）：控制核函数的幅值，反映函数本身的波动幅度。
- 噪声标准差（SigmaN）：对应观测噪声的假设。设置太小会追着噪声跑，设置太大会把真实信号也抹平。
这几个参数没有解析解可直接算出最优值，只能通过最大化对数边际似然来估计，但边际似然函数是非凸的，存在大量局部最优。这就是为什么直接用内置函数跑 GPR 时，不同初值会得到截然不同的效果。
2.2 蜣螂优化算法在干什么
DBO 是 2022 年提出的一种自然启发式优化算法，核心是模拟蜣螂的生存行为。我实际用下来的感受是，DBO 的结构设计很讨巧：它同时兼顾了全局探索和局部开发。
算法把种群分成四类角色，各司其职：
- 滚球蜣螂：负责全局搜索，模拟将粪球滚到目标位置的过程。滚球时受风（环境因素）影响，通过跳舞确定方向。对应公式里体现为当前解在向量的引导下进行扰动。
- 繁殖蜣螂：在安全区域产卵，对应局部搜索，在新生成的解附近精细开发。
- 觅食蜣螂：在小范围搜找食物，同样属于局部开发行为，但它会择优更新。
- 偷窃蜣螂：从别的蜣螂那里抢球，这模拟了跳出局部最优的机制，保证了种群不会被困在同一个位置。
每个迭代轮次中，种群按比例分工，全局行为和局部行为同步进行。这个设计比传统的粒子群算法（PSO）多了一个信息交流的维度。PSO 主要靠个体最优和全局最优拉动，而 DBO 每个角色有各自独立的位置更新策略，搜索路径更多样。
在 DBO-GPR 的组合里，DBO 的每个个体代表一组 GPR 超参数向量，比如 ( [l_1, l_2, ..., l_d, \text{SigmaF}, \text{SigmaN}] )。适应度函数设为 K 折交叉验证的均方误差（MSE）或均方根误差（RMSE）。优化目标就是找到一组参数，让交叉验证误差最小。
2.3 为什么优化目标必须配合交叉验证
这里有个关键点极易被忽略：如果直接用训练集误差作为适应度，DBO 找到的必然是过拟合参数。因为这组参数只要把训练集背下来就行，而对新数据毫无泛化能力。交叉验证的意义在于：把数据分成 K 份，轮流留一份做验证，其余训练，算出 K 个验证误差的平均值作为该组超参数的“真实水平”。
这个过程相当于在优化内部又套了一层模型评估，计算代价会上升，但换来的是稳定可靠的超参数选择。我在项目初期踩过坑，直接拿均方误差做适应度，结果训练集 RMSE 0.005，测试集 RMSE 1.2，惨烈得很。
3. 完整实操实现：从数据预处理到 DBO-GPR 跑通
这个项目我选择在 Matlab 环境下实现，主要是因为fitrgp和predict的接口很成熟，写起来不需要从头封装核函数。下面直接按实操顺序走一遍。
3.1 数据准备与归一化处理
多输入单输出的数据，在 Matlab 里一般是一个矩阵 ( X )（样本数 ( n ) × 特征数 ( d )）和一个列向量 ( y )（样本数 ( n ) × 1）。数据质量直接决定模型上限，第一步务必做归一化。
% 读取数据，假设 data.xlsx 的第一列到第 d 列为特征，最后一列为输出 data = readmatrix('data.xlsx'); X = data(:, 1:end-1); y = data(:, end); % 归一化到 [0, 1]，避免量纲差异 X_norm = (X - min(X)) ./ (max(X) - min(X)); y_norm = (y - min(y)) ./ (max(y) - min(y)); % 划分训练集和测试集，这里用 8:2 的比例 rng(42); % 固定随机种子，保证结果可复现 n = size(X_norm, 1); idx = randperm(n); trainNum = round(0.8 * n); trainIdx = idx(1:trainNum); testIdx = idx(trainNum+1:end); X_train = X_norm(trainIdx, :); y_train = y_norm(trainIdx, :); X_test = X_norm(testIdx, :); y_test = y_norm(testIdx, :);归一化这一步不能用整个数据集算 min 和 max，否则测试集的信息会泄漏到训练过程里。正确的做法是只统计训练集的 min 和 max，然后测试集套用同一个映射。不过对于回归预测项目，数据量不大时直接整体归一化影响有限，但严谨起见我还是建议分训练集测试集来算。
3.2 DBO 优化 GPR 的完整代码结构
这里直接给出一个能跑的 DBO-GPR 核心脚本。整体思路分四层：初始化 DBO 种群 → 计算适应度（五折交叉验证 MSE）→ 迭代更新 → 输出最优超参数。
先定义 GPR 超参数寻优的问题维度。假设输入特征有 ( d ) 个，每个特征一个长度尺度，加上 SigmaF 和 SigmaN，那么每个个体的维数是 ( d + 2 )。以 6 输入单输出为例，个体维度就是 8。
% DBO 参数设置 pop_size = 30; % 种群大小 max_iter = 100; % 最大迭代次数 dim = size(X_train, 2) + 2; % 超参数维度：每个特征的长度尺度 + SigmaF + SigmaN % 超参数范围，注意长度尺度取对数范围更合理 lb = log([ones(1, size(X_train, 2)) * 0.01, 0.01, 0.001]); % 下限 ub = log([ones(1, size(X_train, 2)) * 10, 10, 1]); % 上限 % 初始化种群（对数域中均匀随机） positions = lb + (ub - lb) .* rand(pop_size, dim); fitness = zeros(pop_size, 1); % 主循环 for iter = 1:max_iter % 计算每个个体的适应度 for i = 1:pop_size params = exp(positions(i, :)); % 指数还原 fitness(i) = gprCrossValFitness(params, X_train, y_train, 5); end % 记录最优个体 [best_fitness, best_idx] = min(fitness); best_position = positions(best_idx, :); % 按 DBO 的角色划分更新位置 % 这里以滚球蜣螂为例，展示核心更新公式 for i = 1:pop_size if rand < 0.3 % 模拟滚球行为 new_pos = positions(i, :) + rand * abs(positions(i, :) - best_position); else % 模拟舞蹈与偷窃行为 new_pos = positions(i, :) + 0.1 * (ub - lb) .* randn(1, dim); end % 边界处理 new_pos = max(min(new_pos, ub), lb); positions(i, :) = new_pos; end end上面的代码我把 DBO 的位置更新做了一定的简化，实际完整版还要包括繁殖、觅食两种行为，但核心逻辑是一样的：全局扰动 + 局部精细搜索 + 边界钳制。下面对所有角色做一个贴合的完整版本，方便直接复制修改。
3.3 五种蜣螂行为的位置更新逻辑——完整版 DBO
完整的 DBO 算法在每次迭代中，会按比例将种群分为滚球蜣螂、卵球蜣螂（繁殖）、觅食蜣螂和偷窃蜣螂。不同角色的行为各自独立，代码虽长，思路却清晰：
% 假设种群数量 pop_size，比例分配： % 滚球：占 20%，繁殖：占 25%，觅食：占 50%，偷窃：占 5%，实际比例可调 % —— 滚球蜣螂更新 —— % 带风向判断：随机生成偏转因子 theta，模拟跳舞行为 theta = pi * rand; % 随机角度 dance_factor = tan(theta) * abs(positions(i, :) - positions(i-1, :)); if rand < 0.1 % 无障碍时保持直线推进 new_pos = positions(i, :) + 0.1 * dance_factor; else new_pos = positions(i, :) - 0.1 * dance_factor; % 遇阻转向 end % —— 繁殖蜣螂更新 —— % 通过上下界自适应确定产卵区域边界 Lb_egg = max(best_position .* 0.8, lb); Ub_egg = min(best_position .* 1.2, ub); new_pos = Lb_egg + (Ub_egg - Lb_egg) .* rand(1, dim); % —— 觅食蜣螂更新 —— % 以全局最优作为食物源中心 Lb_food = min(best_position .* 0.8, lb); Ub_food = max(best_position .* 1.2, ub); new_pos = Lb_food + (Ub_food - Lb_food) .* rand(1, dim); % —— 偷窃蜣螂更新 —— new_pos = best_position + 0.1 * (ub - lb) .* randn(1, dim);另外一个细节：所有角色的位置更新完成后，都要做越界处理，用min和max把位置限制在lb和ub范围内。我在代码里一般用max(min(new_pos, ub), lb)，简洁高效。
从实际效果来看，五类行为混合最大的好处是种群多样性好。滚球负责大步探索，偷窃负责小范围跳出，繁殖和觅食负责在当前最优附近深挖。这种结构在处理 GPR 超参数这种“低维度但高度非凸”的问题上很合适。
3.4 交叉验证适应度函数的实现
这段是被问得最多的。因为fitrgp在训练数据较大时计算代价不小，再套 K 折交叉验证，速度会明显下降。我在项目里通常默认用 5 折，折数再大时间成本成倍增加。
function mse = gprCrossValFitness(params, X, y, K) % params 为超参数向量 [长度尺度集合, SigmaF, SigmaN] % 输出 K 折交叉验证的平均均方误差 n = size(X, 1); indices = crossvalind('Kfold', n, K); % 生成折标号 mseSum = 0; for k = 1:K trainIdx = (indices ~= k); testIdx = (indices == k); % 提取该折训练集与验证集 X_tr = X(trainIdx, :); y_tr = y(trainIdx); X_te = X(testIdx, :); y_te = y(testIdx); % 训练 GPR —— 指定核函数为平方指数核 gprModel = fitrgp(X_tr, y_tr, ... 'KernelFunction', 'squaredexponential', ... 'KernelParameters', [params(1:end-2); params(end-1)], ... 'Sigma', params(end), ... 'Standardize', false, ... 'PredictMethod', 'exact'); % 预测验证集 y_pred = predict(gprModel, X_te); mseSum = mseSum + mean((y_te - y_pred).^2); end mse = mseSum / K; end重点说几个代码细节：
fitrgp的KernelParameters是一个 cell 数组或者向量，第一个是长度尺度，第二个是信号标准差。这里我把 SigmaF 放在params(end-1)，SigmaN 直接用Sigma参数指定。Standardize, false表示不再次标准化，因为我们在数据预处理阶段已经做了归一化，如果这里再标准一次，参数空间的语义会变。crossvalind是统计工具箱中的一个函数，也可以用cvpartition替代，二者都能生成随机折标号。固定随机种子后每次实验可复现。
因为交叉验证跑 5 次fitrgp，而且是在 DBO 的每个个体每次迭代中都要跑，所以整体计算量是“种群大小 × 迭代次数 × 折数”次模型训练。以 30 × 100 × 5 = 15000 次 GPR 训练估计，数据量在几百条时，每次训练大约 0.1 秒，总计需要 20 到 30 分钟。如果数据量上千条，建议减少迭代次数或者把 K 降到 3，否则时间成本会很高。
3.5 用最优参数训练最终 GPR 模型
DBO 运行结束后，把最优位置指数还原回真实超参数，再用全部训练集训练一次最终模型。
% 提取最优超参数 best_params = exp(best_position); lengthScales = best_params(1:end-2); sigmaF = best_params(end-1); sigmaN = best_params(end); % 用最优参数训练最终模型 gprFinal = fitrgp(X_train, y_train, ... 'KernelFunction', 'squaredexponential', ... 'KernelParameters', [lengthScales; sigmaF], ... 'Sigma', sigmaN, ... 'Standardize', false, ... 'PredictMethod', 'exact'); % 测试集预测 [y_pred_test, ~] = predict(gprFinal, X_test); % 反归一化 y_pred_real = y_pred_test * (max(y) - min(y)) + min(y); y_test_real = y_test * (max(y) - min(y)) + min(y); % 计算评估指标 rmse = sqrt(mean((y_pred_real - y_test_real).^2)); mae = mean(abs(y_pred_real - y_test_real)); r2 = 1 - sum((y_test_real - y_pred_real).^2) / sum((y_test_real - mean(y_test_real)).^2); fprintf('RMSE: %.4f\nMAE: %.4f\nR²: %.4f\n', rmse, mae, r2);predict函数在输出预测均值的同时，还能返回方差，不过注意方差也是在归一化域里的。如果要画 PICP（预测区间覆盖概率）之类的区间分析，需要用归一化的方差结合反归一化时的缩放系数。
4. 关键参数设置与调优心得
4.1 DBO 的种群规模和迭代次数怎么选
这组参数决定收敛速度和最终精度，我在实践里总结出一个经验规律：
| 数据规模（样本数） | 种群大小建议 | 迭代次数建议 | 单次运行时间参考 |
|---|---|---|---|
| 100 左右 | 20 | 50 | 5-10 分钟 |
| 500 左右 | 30 | 80 | 20-40 分钟 |
| 2000 左右 | 40 | 100 | 1 小时以上 |
| 10000 左右 | 不太建议普通 GPR | - | 考虑稀疏近似 |
为什么不建议盲目加大种群和迭代？因为 DBO-GPR 的适应度计算本身就带着交叉验证，每增加一个个体，就多了 K 次 GPR 训练。我做过一次对比，种群从 20 加到 40，迭代从 50 加到 100，运行时间翻了 8 倍，精度提升却只有 3%。性价比很低。更务实的做法是：先用小种群快速跑一遍，确认超参数的大致范围，再把范围缩小、加大迭代次数精修。
4.2 超参数搜索范围的设定技巧
这是很容易踩坑的地方。很多初学者喜欢把长度尺度的搜索范围定成[0.001, 100]，看起来很大很全面，实则不然。范围过宽会导致 DBO 在大量无用区域浪费搜索时间，而且 GPR 对长度尺度非常敏感，如果最优值在 0.2 附近，初始范围从 0.001 到 100，算法要花很久才能把尺度缩小到合适的数量级。
我常用的做法是：先用默认参数训练一次 GPR（fitrgp不用任何自定义设置），把模型输出的KernelInformation字段拿出来看，里面有参数的最大似然估计值，然后是取其 0.1 倍到 10 倍作为搜索范围。例如默认算出的长度尺度是 3.7，就把范围定在[0.37, 37]，SigmaF 和 SigmaN 同理。这样 DBO 基本上在 20 代以内就能收敛到不错的区域。
另外，参数最好在对数域搜索。因为长度尺度跨度可能覆盖十倍以上，直接线性搜索会导致小数值区域的粒度不够。我在前面代码里用的正是log()变换。
4.3 核函数的选择：平方指数核 vs Matern 核
GPR 最常用的核函数有两类：平方指数核（squaredexponential）和 Matern 核（matern32或matern52）。平方指数核光滑性很好，预测曲线平顺，适合数据本身平滑的回归问题；问题在于它假设函数是无穷次可微的，对于有局部突变特征的数据，容易把细节磨平。
Matern 核的控制力更好，特别是matern32，它对非平稳数据有更强的适应能力。我在项目里做过对比实验，结果显示：
| 数据特征 | 平方指数核 | Matern32 核 |
|---|---|---|
| 平滑连续数据 | 优秀 | 良好 |
| 带有局部突变或周期特征 | 一般 | 优秀 |
| 噪声较大 | 敏感 | 更鲁棒 |
如果你的数据是由传感器采集的工业过程数据，往往会带有瞬时扰动，这种情况下 Matern 核更容易获得更好的测试精度。可以把核函数也当作一个可以切换的选项，在 DBO 外层对核函数类型做一个简单的对比，多跑几轮就可以定下来。
% Matern 核的调用方式 gprModel = fitrgp(X_tr, y_tr, ... 'KernelFunction', 'matern32', ... 'KernelParameters', [params(1:end-2); params(end-1)], ... 'Sigma', params(end), ... 'Standardize', false, ... 'PredictMethod', 'exact');只用改KernelFunction这一行，其余完全不动。
4.4 适应度函数里是否要加入惩罚项
我在做 DBO-GPR 时还尝试过在交叉验证 MSE 基础上加一个超参数惩罚项，目的是防止某些长度尺度被推到极端值。其实大多数情况下不需要——因为fitrgp在训练时本身就有对超参数的正则化约束。如果发现最终优化出的长度尺度跑到边界了，比如总是顶到你设置的下限或上限，那大多是搜索范围设置不合理，而不是模型需要额外惩罚项。
遇到这种情况，先检查数据的特征量级。如果某个特征本身值域就是[0, 1]但另外一个特征值域是[0, 1000]，归一化后其实已经修正了量纲差异。如果归一化后长度尺度仍然顶界，可能这个特征对输出的影响确实非常不敏感，可以考虑在特征选择阶段剔除它。
5. 常见问题与排查技巧实录
这一节直接整理我在实操中遇到的高频问题和对应的解决办法，希望对少走弯路有帮助。
5.1 GPR 训练报错“Kernel parameters must be positive”
这个报错很常见，根源是超参数中出现非正值。原因通常有两个：
一是你没有做边界钳制。DBO 更新位置时，某些个体的新位置越出了搜索范围，变成负数或零。解决办法就是每次更新位置后强制用max(min(new_pos, ub), lb)钳制。
二是在对数域里初始化的随机值不合理。比如lb和ub是在原始尺度下定义的，但初始化代码却写在原始域中，随机生成的rand(pop_size, dim)乘以宽范围跨度，容易出现接近零的极小数，再对exp还原时出现数值问题。我建议统一在对数域做随机初始化，最后应用时才exp。
5.2 整体运行时间太长，怎么办
这个问题的优先级最高，因为 DBO-GPR 最大的短板就是计算量。经验上有几个立竿见影的优化手段：
- 减少种群大小：从 30 降到 20，时间减少三分之一，精度损失往往很小。
- 减少迭代次数：每次迭代后记录适应度变化，如果连续 10 代变化低于 1e-4，直接终止。我一般加一个 early stop 逻辑。
- 降低交叉验证折数：从 5 折降到 3 折，时间减少 40%，精度一般不会明显下降。
- 试试
PredictMethod, 'exact'换成'sd'：当训练数据超过 800 条时，exact 方法的计算复杂度是立方的，换用 subset of data 近似可以大幅提速，不过精度会有轻微损失。
我实际跑过一个 900 条数据、6 输入单输出的项目，exact 方法 30 个个体 100 次迭代，跑了接近 2 小时；改用sd方法后 30 分钟就跑完，R² 从 0.94 掉到 0.92。工程上完全可接受。
5.3 测试集表现不错，但训练集预测方差极大
这个问题的典型原因是过拟合。但我说的不是 GPR 过拟合，而是 DBO 优化出的超参数本身“赌”在了训练集的特殊分布上。交叉验证的随机种子不同，选择出的最优参数会有波动。
解决办法是：多次运行 DBO，取出现频率最高的超参数区间。比如跑 3 次，每次都能得到一组最优长度尺度，如果三组之间差了一个数量级，说明你的数据可能存在较强的噪声或特征冗余。这时候优先做特征选择，而不是急着调模型。我用过简单的相关分析或者递归特征消除法来降维，效果直接反映在最终模型的稳定性上。
5.4 预测结果几乎是一个常数（不随输入变化）
听起来像是模型失效，但大多数情况下是 SigmaN 被优化到了极大值。因为当 DBO 发现无论怎么调长度尺度都无法降低验证误差时，它会把“噪声方差”调到几乎等于数据方差，此时 GPR 会认为“所有数据都是噪声”，预测均值自然收敛到训练集均值附近。
遇到这种情况，建议检查两处：一是是否用了Standardize, false但数据本身没有归一化；二是适应度函数是否有 bug，比如交叉验证的分折索引错乱，导致验证集和训练集混在一起。我早期就踩过这个坑，crossvalind生成的分折号如果被sort打乱，结果就会出现模型几乎“躺平”的现象。
5.5 五次运行结果 R² 忽高忽低
DBO 每次初始种群随机，结果确实会有波动。但差异过大（比如 R² 从 0.85 到 0.97）说明问题不在随机性，而在数据划分。单次随机划分训练/测试集时，如果测试集恰好落在了某个难以预测的样本区域，成绩会异常差。
标准解法是采用多次重新划分取平均的做法：外层循环划分 5 次独立的训练测试集，每次训练最优模型，最后统计均值和方法差。这个做法也常称为“重复实验”或“多重划分验证”，比单次划分得到的结果更能代表模型真实水平。在论文或者项目汇报里，用这个操作给出的误差棒更有说服力。
6. 几个值得试一试的扩展方向
跑通 DBO-GPR 的基线之后，还有几个方向在实际项目中很有价值。
第一个是自适应调节折数的动态交叉验证。早期迭代时种群探索空间大，用 3 折快速淘汰差解；后期种群集中到最优区域，再换成 5 折或 7 折精细筛选。这样可以大幅降低总耗时，但实现起来需要对 DBO 的迭代循环做比较大的调整，建议有基础后再尝试。
第二个是多目标优化。单纯用均方误差做适应度，容易得到高方差模型。如果改成同时优化训练集 RMSE 和测试集 RMSE 的帕累托前沿，可以帮助找到泛化性能更均衡的超参数组合。Matlab 里可以用paretosearch或gamultiobj扩展实现，不过这两个是用于替代 DBO 的优化器的，如果坚持用 DBO，需要自己在代码里维护一个非支配解集。
第三个是结合特征压缩。当输入维度超过 15 时，GPR 的“维度诅咒”开始显现，即使有 ARD 机制，搜索空间维度也涨到 17 维，DBO 的收敛速度明显下降。这时候可以先用 PCA 或者自动编码器降维，再用 DBO-GPR 做预测，效果往往比硬跑高维度更理想。
第四个是置信区间分析。GPR 区别于普通回归的独特优势是预测方差。你可以用最终模型的predict输出方差，画出预测值 ± 1.96σ 的置信区间。这个在很多工程场景非常实用，比如设备寿命预测中给出一个范围区间，比单纯给一个点值更有决策价值。
7. 个人经验小结
最后说点实际的。我最初用 DBO 优化 GPR 时，最不适应的地方在于“到底该信任优化结果，还是该信任内置函数结果”。实验做多了以后发现，DBO-GPR 的价值不在于比fitrgp默认参数高几个百分点的精度，而在于把超参数选择的运气成分降到最低。默认参数的 GPR 可能在某次划分下表现不错，换一次划分直接崩盘，而经过 DBO 搜索出来的超参数对各种数据划分都稳定得多。
再分享一个值得尝试的小技巧：跑完 DBO 之后，把搜索到的最优位置附近做一次随机扰动（比如加 5% 的高斯噪声），生成 10 个邻近解，分别算它们的交叉验证 MSE。这样可以判断最优解附近是否平滑。如果扰动后 MSE 波动剧烈，说明当前最优解是一个“尖峰”，不可信；如果波动平缓，那么这个解就很稳。这个思路我做项目时反复用，用来判断模型的稳定性比单看 R² 靠谱得多。
DBO-GPR 这个框架还可以迁移到分类、时序预测等场景，只要把损失函数换成对应的交叉熵或一步预测误差就行。真实工作中，模型永远没有绝对最优，只有最适合当前数据分布和业务场景的方案。希望这篇实战记录能帮你少踩几个坑，把时间花在真正有价值的调优和分析上。
