Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
дывались, и результирующее число было использовано для сравнения методик<br />
построения QSPR-моделей. В Табл. 19 представлены полученные значения рангов<br />
для различных методов построения QSPR-моделей.<br />
Табл. 19. Сравнение различных методов построения QSPR-моделей для<br />
прогнозирования температуры плавления ионных жидкостей<br />
Метод Программа Q 2 RMSE MAE Итого<br />
BPNN NASAWIN 0 0 0 0<br />
ASNN/E-counts VCCLAB 0 0 0 0<br />
ASNN/Dragon VCCLAB 0 0 0 0<br />
SVM/Dragon VCCLAB 0 0 0 0<br />
SVM/E-state VCCLAB 0 0 1 1<br />
SVM/E-counts VCCLAB 0 1 1 2<br />
ASNN/E-state VCCLAB 1 1 1 3<br />
PLSM NASAWIN 2 1 2 5<br />
MLR/Dragon VCCLAB 2 2 2 6<br />
MLR-CM/SMF ISIDA 3 3 2 8<br />
kNN/Dragon VCCLAB 3 3 3 9<br />
FSMLR NASAWIN 4 4 4 12<br />
kNN/E-state VCCLAB 3 3 4 10<br />
MLR/E-state VCCLAB 3 4 4 11<br />
kNN/E-counts VCCLAB 4 4 4 12<br />
MLR/E-counts VCCLAB 4 4 4 12<br />
Как видно из Табл. 19, нейросеть обратного распространения BPNN, реализованная<br />
в рамках программного комплекса NASAWIN, занимает первые два<br />
места наряду с ASNN/E-counts. Если учесть, что ASNN построена на основе<br />
нейросетей обратного распространения, а дескрипторы E-counts являются<br />
фрагментными, то можно сделать вывод, что именно комбинация нейросетей<br />
обратного распространения с фрагментными дескрипторами приводит к построению<br />
наилучших моделей для прогнозирования температуры плавления<br />
ионных жидкостей.<br />
226