选取了258个苯酚类化合物的生物毒性数据,通过软件ADMEWORKS Model Builder的计算,选出7个结构描述符作为样本的结构参数,用稳健诊断方法剔除24个奇异样本,分别采用K最近邻方法和K均值聚类方法对剩余的234个样本数据进行分类,对分好的...选取了258个苯酚类化合物的生物毒性数据,通过软件ADMEWORKS Model Builder的计算,选出7个结构描述符作为样本的结构参数,用稳健诊断方法剔除24个奇异样本,分别采用K最近邻方法和K均值聚类方法对剩余的234个样本数据进行分类,对分好的每一个类分别随机选择外部测试集,并用球型排除算法划分训练集和内部测试集,然后运用多元线性回归(Multiple Linear Regression,MLR)、偏最小二乘(Partial Least Squares,PLS)和人工神经网络(Artificial Neural Networks,ANN)方法进行预测模型的建立,计算结果表明,非线性模型的预测结果优于线性模型,有管理的分类方法(K nearest neighbors method,KNN)的预测结果优于无管理的分类方法(K均值聚类法)。展开更多
本文选取了部分有机物致敏性和部分有机物极性参数两组数据,均采用ADMEWORKS ModelBuilder软件计算并选择出合适的结构描述符,进而采用K最近邻和K均值聚类法对两组数据进行分类,然后对分类后的数据分别运用多元线性回归(Multiple Linear...本文选取了部分有机物致敏性和部分有机物极性参数两组数据,均采用ADMEWORKS ModelBuilder软件计算并选择出合适的结构描述符,进而采用K最近邻和K均值聚类法对两组数据进行分类,然后对分类后的数据分别运用多元线性回归(Multiple Linear Regression,MLR)、偏最小二乘(Partial Least Squares,PLS)和人工神经网络(Artificial Neural Networks,ANN)方法进行QSPR建模研究。结果表明,无论采用何种分类方法都可以在一定程度上改善模型预测的结果。对于两组样本,有机物分子结构差异较小的样本集模型预测结果较优,非线性模型的预测结果整体优于或相当于线性模型的预测结果。展开更多
本文收集了环烷烃类、环烯烃类、酮类、胺类、醚类、酯类等有机物在固定相角鲨烷和SE-30上的气相色谱保留指数,并采用基于Monte Carlo采样的模型集群分析（Monte Carlo sampling model population analysis,MCS MPA）方法进行了定量结构...本文收集了环烷烃类、环烯烃类、酮类、胺类、醚类、酯类等有机物在固定相角鲨烷和SE-30上的气相色谱保留指数,并采用基于Monte Carlo采样的模型集群分析（Monte Carlo sampling model population analysis,MCS MPA）方法进行了定量结构-色谱保留指数相关关系建模方法的比较研究。对于两种固定相上的有机化合物,分别采用不同的分子描述符予以表征,分子描述符的选择基于统计学与遗传算法。采用的建模方法包括多元线性回归（multivariate linear regression,MLR）、支持向量机回归（support vector machine,SVM）、径向基函数人工神经网络方法（radial basis function artificial neural networks,RBF ANN）,通过所建模型预测了独立外部测试样本的气相色谱保留指数。研究结果表明,对于本文所研究的数据,SVM回归方法的建模效果优于MLR与RBF ANN方法。展开更多
文摘选取了258个苯酚类化合物的生物毒性数据,通过软件ADMEWORKS Model Builder的计算,选出7个结构描述符作为样本的结构参数,用稳健诊断方法剔除24个奇异样本,分别采用K最近邻方法和K均值聚类方法对剩余的234个样本数据进行分类,对分好的每一个类分别随机选择外部测试集,并用球型排除算法划分训练集和内部测试集,然后运用多元线性回归(Multiple Linear Regression,MLR)、偏最小二乘(Partial Least Squares,PLS)和人工神经网络(Artificial Neural Networks,ANN)方法进行预测模型的建立,计算结果表明,非线性模型的预测结果优于线性模型,有管理的分类方法(K nearest neighbors method,KNN)的预测结果优于无管理的分类方法(K均值聚类法)。
文摘本文选取了部分有机物致敏性和部分有机物极性参数两组数据,均采用ADMEWORKS ModelBuilder软件计算并选择出合适的结构描述符,进而采用K最近邻和K均值聚类法对两组数据进行分类,然后对分类后的数据分别运用多元线性回归(Multiple Linear Regression,MLR)、偏最小二乘(Partial Least Squares,PLS)和人工神经网络(Artificial Neural Networks,ANN)方法进行QSPR建模研究。结果表明,无论采用何种分类方法都可以在一定程度上改善模型预测的结果。对于两组样本,有机物分子结构差异较小的样本集模型预测结果较优,非线性模型的预测结果整体优于或相当于线性模型的预测结果。
文摘本文收集了环烷烃类、环烯烃类、酮类、胺类、醚类、酯类等有机物在固定相角鲨烷和SE-30上的气相色谱保留指数,并采用基于Monte Carlo采样的模型集群分析（Monte Carlo sampling model population analysis,MCS MPA）方法进行了定量结构-色谱保留指数相关关系建模方法的比较研究。对于两种固定相上的有机化合物,分别采用不同的分子描述符予以表征,分子描述符的选择基于统计学与遗传算法。采用的建模方法包括多元线性回归（multivariate linear regression,MLR）、支持向量机回归（support vector machine,SVM）、径向基函数人工神经网络方法（radial basis function artificial neural networks,RBF ANN）,通过所建模型预测了独立外部测试样本的气相色谱保留指数。研究结果表明,对于本文所研究的数据,SVM回归方法的建模效果优于MLR与RBF ANN方法。
文摘选取两组有机化合物的熔点数据,采用ADMEWORKS Model Buider软件计算并选取描述符,以所选描述符为自变量,熔点为因变量。通过三种模式识别方法——K-最近邻法（K-Nearest Neighbor Method,KNN）、K-均值聚类法（K-Means Clustering Method,KMC）和投影寻踪方法（Projection Pursuit Method,PP）对样本进行分类,将分类后的样本分别以多元线性回归（Multiple Linear Regression,MLR）、偏最小二乘（Partial Least Squares,PLS）和人工神经网络（Artificial Neural Network,ANN）建立QSPR模型。结果表明,三种模式识别方法均可以提高模型的预测能力。模型的预测能力不仅与结构相似度有关,还与建模方法有关。非线性模型预测能力要优于线性模型。
