《表1 不同模型在测试集和训练集上的表现》

  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Stacking集成学习模型的气态亚硝酸预测》

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

注:粗体数字表示最佳结果.

将测试集输入训练结束的模型中，以验证每个模型的泛化能力.从表1和图7中可以看出，以RF建立的单模型在训练集中的表现最好，其相关系数R2达到了0.998，但是当所有的模型应用到测试集时，在训练集上表现非常好的RF模型预测性能却出现了下降，说明RF模型在训练集上存在着一定程度的过拟合，而Stacking模型应用于测试集时的性能相比于其它3种单模型却表现出最佳，相关系数R2、MAE、RMSE分别比单模型中表现最好的提升了1.06%、5.65%和7.55%，表明多模型融合框架Stacking对全新的数据集的预测具有很好的泛化性能，使得整个模型具有很好的鲁棒性.图8展示了训练集中测量值和预测值的时间序列，模型预测值和实际测量值整体吻合较好，在几段HONO浓度持续升高和降低期间的趋势都能很好的捕捉到，例如，在2016年11月15日傍晚观测到HONO浓度从0.2×10-9持续上升到4.6×10-9，而模型预测值也敏锐的捕捉到此时HONO的快速变化过程.表明了Stacking集成学习模型在HONO预测方面的可靠性以及准确性.