На правах рукописи
Share Embed Flag
Download ePaper

На правах рукописи

На правах рукописи На правах рукописи

cdn.scipeople.com
from cdn.scipeople.com More from this publisher
19.11.2014 Views

скольку явление «переучивания» было выражено очень слабо либо вообще не наблюдалось. В Табл. 10 приведено сравнение точности прогноза для построенных линейно-регрессионных моделей. Табл. 10. Точность прогноза для линейно-регрессионных и нейросетевых моделей Свойство Подраздел MAE пред или RMSE пред * для линейнорегрессионной модели Магнитная восприимчивость. ×10 - -6 единиц Энтальпия парообразования, MAE пред или RMSE пред * для нейросетевой модели 5.2.3 7.02 6.25 5.2.4 1.57 1.77 ккал/моль Энтальпия сублимации, ккал/моль 5.2.5 2.16 1.66 Температура вспышки, o C 5.2.6 15.8* 14.6* Как видно из Табл. 10, для трех из четырех свойств (т.е. для магнитной восприимчивости, энтальпии сублимации и температуры вспышки) применение нейронных сетей приводит к уменьшению ошибок прогноза. Что же касается энтальпии парообразования, то можно предположить, что более высокая прогнозирующая способность линейно-регрессионной модели обусловлена строгим аддитивным характером этого свойства. Таким образом, в большинстве случаем применение нейронных сетей вместо аппарата множественной линейной регрессии приводит к повышению прогнозирующей способности количественных моделей «структура-свойство». 6.3. Моделирование физических свойств органических жидкостей в рамках процедуры трехвыборочного скользящего контроля 204

6.3.1. Общая методология моделирования Для демонстрации эффективности использования фрагментных дескрипторов в сочетании с аппаратом искусственных нейронных сетей при прогнозировании физических свойств самых разнообразных органических соединений было проведено как линейно-регрессионное, так и нейросетевое моделирование вязкости, плотности (для жидких веществ), давления насыщенных паров и температуры кипения на основе единой методики, которую можно назвать процедурой трехвыборочного скользящего контроля. Его разработка явилась дальнейшим развитием трехвыборочного подхода (см. подраздел 4.1.3). Основная идея метода – использование процедуры скользящего контроля и ансамбля нейросетевых моделей вместо единичной модели для того, чтобы сделать прогноз и оценку его качества более обоснованным и независящим от конкретной разбивки базы на три выборки – обучающую, внутреннюю и внешнюю контрольные. Эта процедура была нами применена только в данном цикле работ и в дальнейшем была заменена на более эффективную (вследствие генерации большего разнообразия нейросетевых моделей) процедуру двойного скользящего контроля (см. подраздел 4.1.4). Во всех случаях исследования в рамках этого подхода проводилось по следующей схеме. На первом этапе для всех соединений из базы данных, включающей информацию о структурах химических соединений и их свойствах, проводился расчет фрагментных дескрипторов (чисел вхождений структурных фрагментов в химическую структуру), причем максимальный размер фрагментов варьировался от 1 до 10 атомов. При расчете исключались фрагменты, встречающиеся в выборке менее, чем в 1 % соединений, а также статистически идентичные. Далее для каждого дескриптора были рассчитаны нелинейные модификации (квадрат (D 2 i ), квадратный корень (D 1/2 i ), десятичный логарифм (lg (D i )), отношение значения дескриптора к числу неводородных атомов в молекуле (D i /n a )). Следует отметить, что использование, наряду с фрагментными дескрипторами, их нелинейных модификаций волне оправдано. Для исследования этого 205

скольку явление «переучивания» было выражено очень слабо либо вообще не<br />

наблюдалось. В Табл. 10 приведено сравнение точности прогноза для построенных<br />

линейно-регрессионных моделей.<br />

Табл. 10. Точность прогноза для линейно-регрессионных и нейросетевых<br />

моделей<br />

Свойство Подраздел MAE пред или<br />

RMSE пред * для<br />

линейнорегрессионной<br />

модели<br />

Магнитная восприимчивость. ×10 -<br />

-6 единиц<br />

Энтальпия парообразования,<br />

MAE пред или<br />

RMSE пред * для<br />

нейросетевой<br />

модели<br />

5.2.3 7.02 6.25<br />

5.2.4 1.57 1.77<br />

ккал/моль<br />

Энтальпия сублимации, ккал/моль 5.2.5 2.16 1.66<br />

Температура вспышки, o C 5.2.6 15.8* 14.6*<br />

Как видно из Табл. 10, для трех из четырех свойств (т.е. для магнитной<br />

восприимчивости, энтальпии сублимации и температуры вспышки) применение<br />

нейронных сетей приводит к уменьшению ошибок прогноза. Что же касается<br />

энтальпии парообразования, то можно предположить, что более высокая прогнозирующая<br />

способность линейно-регрессионной модели обусловлена строгим<br />

аддитивным характером этого свойства. Таким образом, в большинстве<br />

случаем применение нейронных сетей вместо аппарата множественной линейной<br />

регрессии приводит к повышению прогнозирующей способности количественных<br />

моделей «структура-свойство».<br />

6.3. Моделирование физических свойств органических жидкостей в рамках<br />

процедуры трехвыборочного скользящего контроля<br />

204

logo

products

Resources

Company

Terms of service
Privacy policy
Cookie policy
Cookie settings
Imprint
Change language
Made with love in Switzerland
© 2024 Yumpu.com all rights reserved

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!