在对光谱数据进行特征波长选取后，需通过构建定量预测模型验证波长选取方法的有效性。建模整体过程为：通过建模方法分析光谱数据与样本待测组分含量间的关系，实现对待测组分含量的预测。下文主要介绍常用的偏最小二乘法（PLS）和最小二乘支持向量机（LS-SVM）建模方法。

1.偏最小二乘法（PLS）

云顶天宫PLS是一种应用广泛、针对多变量的线性回归建模方法。传统线性回归方法往往限制于样本量远少于光谱变量维度、变量存在高度相关等因素，难以获取良好的分析结果。PLS方法可以在样本量少的情况下，通过主成分分析逐步从光谱变量矩阵中筛选出对待测组分变量有最佳解释能力的综合变量，基于综合变量构建光谱变量与待测组成变量的回归模型。PLS充分考虑了光谱变量与待测组分间的相关性，以有限高质量的变量作为模型的输入变量，降低模型复杂度，提高计算效率和预测精度。

2.最小二乘支持向量机（LS-SVM）

LS-SVM是非线性回归建模方法，该方法在对数据进行拟合时，将输入光谱数据从低维度空间映射到高维度空间，使数据的性质从线性转化为非线性，以最小二乘线性系统为损失函数，误差二范数为经验风险，并采用等式约束条件，求解线性矩阵方程组。相较于传统SVM方法，LS-SVM的复杂度得以简化，计算速率得到提高。