《表1 不同回归模型的性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于可见光图像的无创血糖测量仿体实验验证》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文采用梯度增强回归算法进行数据集的拟合对比和测试结果验证。梯度增强回归（GBR）模型采用回归树作为弱学习器，以多个弱学习器的叠加取代单一的强学习器，在残差减小的梯度方向上建立模型，最终模型的结果是多个回归结果的加权和[10]。将训练样本的特征向量和对应的葡萄糖浓度值输入梯度增强回归模型中进行训练，然后利用测试样本测试所训练模型的预测精度。如图1所示，构建梯度增强回归模型时，每个新树的建立是为了使之前模型的残差沿梯度方向下降，其中T1，T2，…，TM为M个回归树，对于第m(m=1，2，…，M）个回归树，其对应J个输出，分别为Cm1，Cm2，…，CmJ，最后得到梯度增强回归模型，即（其中x为输入）。通过调整迭代次数、树的深度和学习率来得到高精度的预测模型。在数据集拟合对比实验中，相同交叉验证条件下不同模型的预测准确度对比结果如表1所示，梯度增强回归模型的平均绝对误差（MAE）和均方根误差（MSE）远远小于偏最小二乘（PLS）模型和支持向量回归（SVR）模型的相应指标，决定系数（R2）的值为0.929，高于最小偏二乘模型和支持向量模型的值。对比实验结果也表明，梯度增强回归算法具有较高预测精度，基于该算法的模型具有较好的泛化性。