基于RBF径向基神经网络多输入单输出回归预测及SHAP可解释分析的研究

摘要

在数据驱动的时代背景下，复杂数据关系中的回归预测成为各领域决策的关键环节。RBF径向基神经网络凭借其在处理复杂非线性关系上的优势，被广泛应用于多输入单输出回归预测任务中。然而，模型的复杂性往往导致其决策过程难以解释，这在一定程度上限制了模型的可信度与应用范围。为此，本研究旨在构建基于RBF神经网络的回归预测模型，并运用SHAP可解释分析来增强模型的透明度。具体而言，通过介绍RBF神经网络原理，构建适用于多输入单输出场景的预测模型，并利用SHAP方法对模型进行可解释分析。研究发现，该方法不仅能有效提高预测精度，还能清晰揭示各输入特征对预测结果的贡献度，为实际决策提供有力支持。本研究对于推动RBF神经网络在回归预测领域的应用，以及提升模型的可解释性具有重要意义。

关键词: RBF径向基神经网络；多输入单输出；回归预测；SHAP可解释分析

1. 引言

1.1 研究背景