Hybridization of Machine Learning Algorithms and an Empirical Regression Model for Predicting Debris-Flow-Endangered Areas

Table 3

Performance metrics of all the predictive models under fivefold cross-validation.

Model		Training data			Testing data
		R^2	RMSE	MAE	R^2	RMSE	MAE
CR1	NLRM	0.804	0.086	0.057	0.575	0.057	0.047
	MARS	0.783	0.062	0.045	0.457	0.070	0.055
	RF	0.916	0.044	0.031	0.556	0.060	0.050
	SVM	0.669	0.079	0.051	0.573	0.059	0.049
	MARS–NLRM	0.818	0.052	0.034	0.715	0.048	0.036
	RF–NLRM	0.871	0.044	0.029	0.717	0.044	0.030
	SVM–NLRM	0.774	0.058	0.031	0.732	0.042	0.031
CR2	NLRM	0.770	0.083	0.056	0.638	0.076	0.054
	MARS	0.696	0.071	0.052	0.747	0.061	0.048
	RF	0.913	0.044	0.032	0.722	0.066	0.049
	SVM	0.661	0.077	0.050	0.619	0.076	0.056
	MARS–NLRM	0.749	0.057	0.036	0.688	0.056	0.035
	RF–NLRM	0.859	0.043	0.028	0.727	0.051	0.035
	SVM–NLRM	0.746	0.057	0.036	0.702	0.054	0.033
CR3	NLRM	0.768	0.078	0.053	0.292	0.104	0.069
	MARS	0.772	0.062	0.049	0.115	0.117	0.084
	RF	0.920	0.040	0.029	0.252	0.101	0.073
	SVM	0.633	0.080	0.056	0.233	0.110	0.072
	MARS–NLRM	0.850	0.050	0.033	0.542	0.074	0.045
	RF–NLRM	0.899	0.041	0.028	0.543	0.074	0.047
	SVM–NLRM	0.840	0.052	0.031	0.540	0.078	0.041
CR4	NLRM	0.801	0.081	0.052	0.553	0.092	0.065
	MARS	0.670	0.073	0.055	0.476	0.103	0.070
	RF	0.913	0.044	0.032	0.590	0.082	0.061
	SVM	0.621	0.080	0.055	0.371	0.127	0.081
	MARS–NLRM	0.785	0.051	0.033	0.719	0.068	0.044
	RF–NLRM	0.857	0.042	0.027	0.744	0.061	0.041
	SVM–NLRM	0.738	0.056	0.032	0.715	0.065	0.039
CR5	NLRM	0.660	0.065	0.056	0.840	0.076	0.051
	MARS	0.583	0.072	0.054	0.517	0.257	0.150
	RF	0.886	0.041	0.030	0.597	0.115	0.069
	SVM	0.570	0.075	0.049	0.494	0.125	0.072
	MARS–NLRM	0.713	0.055	0.034	0.861	0.060	0.035
	RF–NLRM	0.831	0.043	0.029	0.763	0.081	0.043
	SVM–NLRM	0.700	0.057	0.032	0.769	0.078	0.038