Page 218 - 《爆炸与冲击》2026年第5期

第 46 卷 赵春风，等： 基于XGBoost的PC板爆炸损伤评估模型 第 5 期

XGBoost 模型。尽管两者在测试集上的误差指 表 4 3 种模型性能的回归评价指标
标相对接近，但其测试集的决定系数明显低于 Table 4 Regression evaluation indicators

XGBoost 模型。其中，RF 模型的拟合效果最差， for the performance of three models
表明其预测结果可能存在较大偏差。进一步考 模型 数据集形式 R 2 σ RMSE /mm σ MAE /mm ξ f OBJ
察 f ，XGBoost、GPR 和 RF 等 3 种模型的计算 训练集 0.994 1.357 0.583 0.064
OBJ GPR 1.325
结果依次为 1.325、2.330 和 0.939，f OB J 越低，表明 测试集 0.965 3.025 2.350 0.143
该模型的综合性能最优，因此，XGBoost 模型的 训练集 0.972 2.570 0.703 0.121
RF 2.330
综合性能最优。 测试集 0.891 5.659 3.837 0.268
综上所述，在对比的 3 种模型中，XGBoost 训练集 0.998 0.863 0.205 0.041
XGBoost 0.939
模型展现出最佳的预测精度和综合性能。而在 测试集 0.975 2.874 2.185 0.136
单一模型算法中，GPR 模型的表现相对优于 RF
模型。
图 3 给出了 3 种模型在训练集和测试集上预测值与实际值的散点分布。图中的斜线代表理想预
测，即预测值等于实际值。数据点越集中于该斜线附近，表明模型的拟合优度越高，预测性能越好。如
图 3(c) 所示，XGBoost 模型的预测点高度聚集于斜线附近，其性能显著优于其他 2 个模型。相反，RF 模
型的预测点分布最离散，且在斜线附近存在 2 个明显的异常值，说明预测表现较差。

140 Training set 140 Training set
R 2 =0.994 120 R 2 =0.972
Predicted displacement/mm 80 Test set Predicted displacement/mm 80 Test set
120
σ RMSE =2.570 mm
σ RMSE =1.357 mm
σ MAE =0.583 mm
σ MAE =0.703 mm
100
100
R 2 =0.891
R 2 =0.965
σ RMSE =3.025 mm
σ RMSE =5.659 mm
σ MAE =3.837 mm
σ MAE =2.350 mm
60
60
40
40
20
0 20 0 Outlier
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Actual displacement/mm Actual displacement/mm
(a) GPR (b) RF
140 Training set
R 2 =0.998
Predicted displacement/mm 80 Test set
120
σ RMSE =0.863 mm
σ MAE =0.205 mm
100
R 2 =0.975
σ RMSE =2.874 mm
σ MAE =2.185 mm
60
40
20
0
0 20 40 60 80 100 120 140
Actual displacement/mm
(c) XGBoost
图 3 3 种模型的实际值与预测值的对比
Fig. 3 Comparison of actual and predicted values among three models
图 4 给出了通过可视化方式呈现的训练集与测试集实际响应值以及预测响应值的对比。通过观察
对比上半部分折线区域，可以看出：XGBoost 模型的预测曲线与实际曲线几乎完全重合，表现出最高的精

度；GPR 模型次之；RF 模型则出现明显偏差。通过观察下半部分残差散点区域进一步发现：XGBoost 模

051443-7