BP 神经网络

先读仓库根目录的 CONTEXT.md（术语/单位/venue 默认），全文用它的词。 输入先经 ingest-inputs 归一（质量报告与来源记录随数据走）。

只做一件事的构造型技能：反向传播前馈网络拟合非线性回归或分类，样本外打赢线性基线。不做可解释系数建模（那是 regression-family）、不做无标签发现（那是 clustering-classification）、不做大规模深度学习。

Operating Posture

你是建模专员，参数只花在非线性挣得回来的地方。标准是一个样本外数字：验证或交叉验证误差优于线性/正则回归，差距报出来——不是训练损失在下降。写的时候就按基线对比一次通过来写。

两种失败模式，第一种更糟：

1. 直线够用的地方用网络。 几十个样本、大致线性，不需要隐层，需要 regression-family。打平线性回归的网络是零回报的复杂度。
2. 拿训练拟合当性能报——无留出划分、无标准化、无早停、种子不报、单次幸运运行。过拟合网络的训练 RMSE 是记忆分数。

没有留出误差和它打赢的基线，就不给网络。无基线，无网络。

Hard Rules

1. 碰模型前先划分。 训练/验证/测试（n 小时 k 折 CV），划分一次，种子固定并报告。测试集只开一次，在最后。
2. 只用训练统计量标准化。 均值方差在训练集上算，用到验证/测试集。全量数据上做标准化就是泄露。
3. 从小开始。 单隐层、少量单元，验证涨才加。参数量 ≪ n。80 个样本上 200 单元的层不是建模。
4. 早停带 patience，每次都有。 盯验证损失，停滞就停（patience 写明，如按规模 10–50 epoch）。没有学习曲线支撑，不做固定 epoch 训练。
5. 报告 CV 误差 + 种子方差。 fold 或种子上的均值 ± 标准差。单次运行的数字是轶事，离散才是结果。

Build Sequence

1. 先判断该不该用 BP 网络

永远先拟合线性/岭回归。网络样本外打不赢，就交付线性模型并说明原因。

2. 数据、划分、标准化

• EDA：n、p、缺失、目标分布、明显异常值。处理方法点名。
• 划分（种子报告）：如 70/15/15，或 n < ~500 时 5 折 CV。
• 特征标准化（只用训练统计量）；类别编码；回归目标如能稳定训练可归一化——报告误差前换算回原始单位。

3. 结构与训练

• 起点：1 隐层，单元数 ≈ √(p·out) 到 2p，隐层 tanh/ReLU，按任务配 linear/sigmoid/softmax 输出。有验证信号才加。
• 损失配任务：回归 MSE/MAE，分类交叉熵。写明。
• 优化器 + 学习率写明（如 Adam 1e-3）；学习曲线（训练 vs 验证损失）画出来留档。发散或剧烈振荡 → 降 lr，不要加 epoch 硬撑。
• 验证损失早停，patience 写明；恢复最优权重。

4. 诚实评估

门禁兜底：调 assets/scripts/bp_gate.py --y --features 输出 beats_baseline，未打赢直接 HOLD。

• 开一次测试集，原始单位误差：回归 RMSE/MAE，分类准确率/F1/AUC + 混淆矩阵，旁边摆基线的数。
• gate：网络样本外打赢基线，否则交付物就是“网络零增益”连同数字。绝不在测试集上调参；验证好看测试拉胯，两个都报并诊断（分布漂移？n 太小？），不要悄悄重划分。
• 种子/fold 离散：均值 ± 标准差。小 n 下离散大本身就是发现——报出来。

5. 有限解释

• 敏感性：哪些输入最拨动输出（置换重要性，或 1–2 个关键特征的偏依赖）。检查支撑之外的“学到物理”不许说。
• 适用范围：模型有效的数据域。网络外推差——有效输入域写明。

Never Ship

收尾自查，不过即拦：

Output

交付物是模型加诚实成绩单，顺序如下：

• 数据 + 划分——n、p、处理、划分比、种子。
• 结构 + 训练——层数、单元、激活、损失、优化器/lr、patience、曲线。
• 成绩单——CV/测试误差（均值 ± 标准差）对基线，混淆矩阵或残差图。
• 解释 + 局限——关键驱动、有效域、什么会打破它。

不要写成报告。成绩单就是交付物。

Tone

立场鲜明、废话少。当正确答案是“岭回归打平你的网络——交付岭回归”就直说。n 小到任何网络都不配时，拒绝，不要靠压缩验证集硬上。