На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

Tf расч. о С, Tf calc. o C
300
200
100
0
-100
-100
0 100 200 300
T f эксп. о С, T f exp . o C
Tf расч.. o C, Tf calc. o C
300
200
100
0
-100 -100 0 100 200
T o f эксп. C, T o f exp. C
Рис. 36. Диаграмма разброса расчетных и экспериментальных значений
температуры вспышки для обучающей (слева) и конторольной (справа)
выборок Базы 1 согласно линейно-регрессионной модели, построенной на 25
фрагментных дескрипторах
Уменьшение количества соединений в Базе 1 за счет исключения 12
структур приводит к незначительному ухудшению качества моделей для Базы
1А (ср. Модели 1 и 2, Табл. 6 на стр. 177), при этом природа используемых в
модели дескрипторов остается в целом неизменной, кроме замены фрагмента
(C Ar H÷C Ar H÷C Ar R÷C Ar H) на фрагмент (–O-СR=О).
Далее мы использовали фрагментные дескрипторы для построения моделей
для Базы 2 и “уменьшенной” Базы 2А (Табл. 6 на стр. 177, Модели 3 и 4).
Как это было сделано в работе [387], для обучающей выборки, куда были
включены все соединения, представленные в Базе 2, мы получили модели, по
качеству не уступающие моделям 1 и 2 и превосходящие по статистическим
показателям модель (см. выше), приведенную в работе [387]. Например, модель,
построенная для Базы 2 на 25 дескрипторах, имеет следующие статистические
показатели: R 2 = 0.9566, s = 11.2 o C, RMSE обуч . = 10.67 o C.
Предсказательную способность QSPR-модели для Базы 2 мы оценили,
используя ее разбивку на обучающую (179 соединений) и контрольную (89 соединений)
выборки. Модель, построенная на 9 фрагментных дескрипторах,
имеет весьма высокие прогнозирующие свойства (R 2 прогн. = 0.9315, средняя
ошибка (по модулю) прогноза = 9.9 o C (Табл. 6 на стр. 177, Модель 5).
Таким образом, нами построены на основе фрагментных дескрипторов
линейно-регрессионные модели, позволяющие прогнозировать температуру
179