16、森林冠层高度预测：机器学习模型的性能与解释

森林冠层高度预测：机器学习模型的性能与解释

1. 模型评估方法

在对支持向量回归（SVR）和梯度提升树（HGB）模型进行评估时，采用了十折交叉验证方法。该方法将训练数据划分为十个子集，依次将每个子集作为验证集，其余子集用于训练，以此评估模型的预测准确性和泛化能力。评估标准采用均方根误差（RMSE），它能直观地反映模型的有效性，便于直接比较SVR和HGB模型在估计森林冠层高度方面的预测能力。

1.1 模型性能评估指标

为了全面评估用于预测森林冠层高度的四个不同机器学习模型，使用了三个关键指标：
- 平均偏差误差（MBE）：反映模型预测值与观测值之间的平均偏差。
- 均方根误差（RMSE）：衡量预测值与观测值之间的平均误差大小。
- 决定系数（R²）：表示模型对观测数据的拟合程度。

1.2 不同模型的性能表现

模型	MBE（米）	RMSE（米）	R²
模型1（原始训练数据 + SVR）	-0.35	3.30	0.45
模型2（原始训练数据 + HGB）	-0.25	3.44	0.4
模型3（清理后