Machine Learning for Estimating Leaf Dust Retention Based on Hyperspectral Measurements

Table 2

Training and testing results for three plants using the different regression algorithms.

Plants	Algorithms	Number of bands	Training					Testing
				MAE (g/m^2)	RMSE (g/m^2)	Bias	Number of samples		MAE (g/m^2)	RMSE (g/m^2)	Bias	Number of samples
GL	CART	1000	0.98	0.04	0.08	0.00	99	0.78	0.17	0.26	0.05	42
		94	0.95	0.08	0.13	0.00		0.76	0.18	0.26	0.04
	RF	1000	0.98	0.07	0.10	0.00		0.88	0.14	0.19	0.05
		94	0.98	0.06	0.08	0.00		0.92	0.11	0.15	0.03
	SVM	1000	0.97	0.08	0.09	−0.01		0.89	0.14	0.19	0.05
		94	0.92	0.13	0.16	0.00		0.89	0.16	0.19	0.07
LC	CART	1000	0.97	0.05	0.10	0.00	97	0.50	0.33	0.47	−0.06	41
		167	0.95	0.07	0.12	0.00		0.50	0.29	0.46	−0.03
	RF	1000	0.97	0.08	0.11	0.00		0.83	0.17	0.23	−0.03
		167	0.98	0.07	0.10	0.00		0.87	0.14	0.20	−0.02
	SVM	1000	0.97	0.09	0.10	−0.01		0.80	0.17	0.23	−0.02
		167	0.95	0.11	0.13	0.00		0.77	0.20	0.25	−0.01
CF	CART	1000	0.93	0.08	0.13	0.00	94	0.64	0.20	0.31	0.00	41
		73	0.98	0.04	0.07	0.00		0.70	0.17	0.29	0.03
	RF	1000	0.97	0.06	0.09	0.00		0.80	0.16	0.23	0.02
		73	0.98	0.05	0.08	0.00		0.84	0.14	0.21	0.02
	SVM	1000	0.97	0.06	0.08	0.01		0.90	0.13	0.17	0.03
		73	0.97	0.08	0.08	0.00		0.88	0.14	0.18	−0.01