На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

NASAWIN (см. раздел 8.2) нейросети обратного распространения (BPNN, см.
подраздел 1.2.4), метод БПМЛР (FSMLR, см. подраздел 4.1.5) и метод частичных
наименьших квадратов (PLS), а в качестве дескрипторов – набор фрагментных
дескрипторов, вычисляемых блоком FRAGMENT (см. раздел 8.3), к
которым был примешен набор псевдофрагментных дескрипторов (см. раздел
5.4), вычисляемых блоком FRAGPROP (см. раздел 8.4). Использование псевдофрагментных
дескрипторов было обусловлено тем, что как показали предварительные
вычислительные эксперименты, они в данном случае значительно повышают
прогнозирующую способность построенных моделей. Кроме того,
следует отметить, что обучение нейросети велось на полном наборе дескрипторов
(попытки использовать процедуру БПМЛР для их предварительного отбора
заканчивались значительным падением прогнозирующей способности модели).
Вследствие этого всякий раз проводился визуальный контроль синапсов нейросети
и в случае «паралича» процедура обучения вручную останавливалась и перезапускалась
заново. В Табл. 18 представлены значения средней абсолютной
ошибки прогнозирования (MAE), вычисленной при 5-кратном внешнем скользящем
контроле. Отметим, что нейросеть обратного распространения приводит
к построению лучших моделей по сравнению с БПМЛР и методом частичных
наименьших квадратов PLS.
Табл. 18. Значения средней абсолютной ошибки прогнозирования температуры
плавления ионных жидкостей (в градусах)
PYR IMZ QUAT FULL
BPNN 26.2 32.4 30.3 31.5
FSMLR 34.8 36.2 36.1 33.7
PLS 32.5 31.9 31.8 31.9
Для сравнения QSPR-моделей, получаемых разными методами, каждой
комбинации выборки и статистического показателя оценивалось среднее значение
этих показателей, и каждой модели присваивался ранг “0”, если по всем
трем показателям она оказывалась лучше средней, и “1” если хотя бы по одному
показателю она уступала среднему. Далее ранги полученных моделей скла-
225