高光谱数据常见的几种建模方法介绍

高光谱成像仪在获取高光谱数据后，需要对光谱数据进行提取与预处理，然后再建立预测模型。预测模型的建立，是保证样品评价结果准确性的前提。本文对高光谱数据常见的几种建模方法做了介绍。

1.偏最小二乘回归（PLSR）

偏最小二乘回归（PLSR）是一种功能强大的统计方法，与主成分回归密切相关。PLSR在处理具有多重相关性的大量变量和有限的观测数据时特别有用，其中观测数量可能小于变量的维数。与传统的经典回归分析和其他方法相比，PLSR在构建更合理的回归模型方面具有独特的优势。

2.极限梯度提升（XGBoost）

极限梯度提升（XGBoost）算法对于梯度提升决策树（GBDT）算法，在性能方面取得了的重大进步。值得注意的是，与传统的GBDT算法相比，XGBoost在损失函数、模型复杂性控制的正则化、切点寻找和并行化设计等方面都有明显的改进。

3.随机森林（RF）

随机森林（RF）是一种监督学习算法，近年来得到了极大的关注。通过利用集合学习的力量，RF结合了多个弱分类器，通过投票机制在最终结果中实现了高准确性和泛化能力。