Condivisione della tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

# Campo estivo AI # Datawhale # Campo estivo

Oltre alla convalida incrociata sulla Baseline originale, esiste anche un metodo di ottimizzazione chiave, ovvero l'ingegneria delle funzionalità.

La modalità di ottimizzazione delle funzionalità è correlata al modo in cui miglioriamo l'accuratezza della previsione del modello. L'ingegneria delle funzionalità è spesso una parte che le persone con una profonda comprensione dell'ambito problematico possono svolgere bene, perché dobbiamo pensare alla trasformazione.

Oltre alle funzionalità Smiles, ci sono molte funzionalità che possono estrarre informazioni preziose. Ad esempio, InChI è composto da una serie di parti e fornisce informazioni dettagliate sulla struttura molecolare.Per esempioIdentificazione iniziale, formula molecolare, tabella di connessione, conteggio degli atomi di idrogeno, conteggio dei legami multirotativi, informazioni stereochimiche, informazioni sugli isomeri, informazioni sulla miscela o sui tautomeri, informazioni sulla molteplicità di carica e spin, ecc.

Inoltre, se vuoi migliorare la precisione del modello, non è una cattiva idea cambiarlo.

Ottimizzazione delle funzionalità

Estrarre la formula molecolare

Dalla stringa InChI possiamo vedere che la formula molecolare è data direttamente in/C47H61N7O6S parte. Ciò significa che la molecola è composta da 47 atomi di carbonio, 61 atomi di idrogeno, 7 atomi di azoto, 6 atomi di ossigeno e 1 atomo di zolfo;

Calcolare il peso molecolare

Il peso molecolare può essere trovato moltiplicando la massa atomica di ciascun atomo per il suo numero e poi sommandoli insieme.

Piace

• La massa atomica del carbonio (C) è di circa 12,01 g/mol

• La massa atomica dell'idrogeno (H) è di circa 1,008 g/mol

• La massa atomica dell'azoto (N) è di circa 14,01 g/mol

• La massa atomica dell'ossigeno (O) è di circa 16,00 g/mol

• La massa atomica dello zolfo (S) è di circa 32,07 g/mol

Moltiplicando le quantità e sommandole si ottiene il peso molecolare.

Conteggio atomico

Contare direttamente il numero di atomi diversi ed espanderli.

import pandas as pd
import re

atomic_masses = {
    'H': 1.008, 'He': 4.002602, 'Li': 6.94, 'Be': 9.0122, 'B': 10.81, 'C': 12.01,
    'N': 14.01, 'O': 16.00, 'F': 19.00, 'Ne': 20.180, 'Na': 22.990, 'Mg': 24.305,
    'Al': 26.982, 'Si': 28.085, 'P': 30.97, 'S': 32.07, 'Cl': 35.45, 'Ar': 39.95,
    'K': 39.10, 'Ca': 40.08, 'Sc': 44.956, 'Ti': 47.867, 'V': 50.942, 'Cr': 52.00,
    'Mn': 54.938, 'Fe': 55.845, 'Co': 58.933, 'Ni': 58.69, 'Cu': 63.55, 'Zn': 65.38
}

# 函数用于解析单个InChI字符串
def parse_inchi(row):
    inchi_str = row['InChI']
    formula = ''
    molecular_weight = 0
    element_counts = {}

    # 提取分子式
    formula_match = re.search(r"InChI=1S/([^/] )/c", inchi_str)
    if formula_match:
        formula = formula_match.group(1)

    # 计算分子量和原子计数
    for element, count in re.findall(r"([A-Z][a-z]*)([0-9]*)", formula):
        count = int(count) if count else 1
        element_mass = atomic_masses.get(element.upper(), 0)
        molecular_weight  = element_mass * count
        element_counts[element.upper()] = count

    return pd.Series({
        'Formula': formula,
        'MolecularWeight': molecular_weight,
        'ElementCounts': element_counts
    })

# 应用函数到DataFrame的每一行
train[['Formula', 'MolecularWeight', 'ElementCounts']] = train.apply(parse_inchi, axis=1)

# 定义存在的key
keys = ['H', 'He', 'Li', 'Be', 'B', 'C', 'N', 'O', 'F', 'Ne', 'Na', 'Mg', 'Al', 'Si', 'P', 'S', 'Cl', 'Ar', 'K', 'Ca', 'Sc', 'Ti', 'V', 'Cr', 'Mn', 'Fe', 'Co', 'Ni', 'Cu', 'Zn']

# 创建一个空的DataFrame，列名为keys
df_expanded = pd.DataFrame({key: pd.Series() for key in keys})

# 遍历数据，填充DataFrame
for index, item in enumerate(train['ElementCounts'].values):
    for key in keys:
        # 将字典中的值填充到相应的列中
        df_expanded.at[index, key] = item.get(key, 0)

df_expanded = pd.DataFrame(df_expanded)

Fusione di modelli

Come accennato l'ultima volta, stiamo utilizzando il modello catboost. Non abbiamo provato lightgbm e xgboost. È possibile eseguire questi tre modelli in sequenza e quindi calcolare la media dei risultati dei tre modelli per la fusione (anche questa è un'area che può essere migliorata). ).

def cv_model(clf, train_x, train_y, test_x, clf_name, seed = 2023):
    folds = 5
    kf = KFold(n_splits=folds, shuffle=True, random_state=seed)
    oof = np.zeros(train_x.shape[0])
    test_predict = np.zeros(test_x.shape[0])
    cv_scores = []
    for i, (train_index, valid_index) in enumerate(kf.split(train_x, train_y)):
        print('************************************ {} ************************************'.format(str(i 1)))
        trn_x, trn_y, val_x, val_y = train_x.iloc[train_index], train_y[train_index], train_x.iloc[valid_index], train_y[valid_index]

        if clf_name == "lgb":
            train_matrix = clf.Dataset(trn_x, label=trn_y)
            valid_matrix = clf.Dataset(val_x, label=val_y)
            params = {
                'boosting_type': 'gbdt',
                'objective': 'binary',
                'min_child_weight': 6,
                'num_leaves': 2 ** 6,
                'lambda_l2': 10,
                'feature_fraction': 0.8,
                'bagging_fraction': 0.8,
                'bagging_freq': 4,
                'learning_rate': 0.35,
                'seed': 2024,
                'nthread' : 16,
                'verbose' : -1,
            }
            model = clf.train(params, train_matrix, 2000, valid_sets=[train_matrix, valid_matrix],
                              categorical_feature=[], verbose_eval=1000, early_stopping_rounds=100)
            val_pred = model.predict(val_x, num_iteration=model.best_iteration)
            test_pred = model.predict(test_x, num_iteration=model.best_iteration)

        if clf_name == "xgb":
            xgb_params = {
              'booster': 'gbtree', 
              'objective': 'binary:logistic',
              'num_class':3,
              'max_depth': 5,
              'lambda': 10,
              'subsample': 0.7,
              'colsample_bytree': 0.7,
              'colsample_bylevel': 0.7,
              'eta': 0.35,
              'tree_method': 'hist',
              'seed': 520,
              'nthread': 16
              }
            train_matrix = clf.DMatrix(trn_x , label=trn_y)
            valid_matrix = clf.DMatrix(val_x , label=val_y)
            test_matrix = clf.DMatrix(test_x)

            watchlist = [(train_matrix, 'train'),(valid_matrix, 'eval')]

            model = clf.train(xgb_params, train_matrix, num_boost_round=2000, evals=watchlist, verbose_eval=1000, early_stopping_rounds=100)
            val_pred  = model.predict(valid_matrix)
            test_pred = model.predict(test_matrix)

        if clf_name == "cat":
            params = {'learning_rate': 0.35, 'depth': 5, 'bootstrap_type':'Bernoulli','random_seed':2024,
                      'od_type': 'Iter', 'od_wait': 100, 'random_seed': 11, 'allow_writing_files': False}

            model = clf(iterations=2000, **params)
            model.fit(trn_x, trn_y, eval_set=(val_x, val_y),
                      metric_period=1000,
                      use_best_model=True, 
                      cat_features=[],
                      verbose=1)

            val_pred  = model.predict_proba(val_x)
            test_pred = model.predict_proba(test_x)

        oof[valid_index] = val_pred
        test_predict  = test_pred / kf.n_splits

        F1_score = f1_score(val_y, np.where(val_pred
                                   

                    上一篇
                    下一篇