[Práctica de aprendizaje automático] Campamento de verano Datawhale: Notas de lectura intensivas de referencia 2

[Combate práctico de aprendizaje automático] Campamento de verano Datawhale: Notas de lectura intensivas de referencia 2

2024-07-08

# Campamento de verano de IA # Datawhale # Campamento de verano

Además de la validación cruzada en la línea de base original, también existe un método de optimización clave, a saber, la ingeniería de características.

La forma de optimizar las funciones está relacionada con la forma en que mejoramos la precisión de la predicción del modelo. La ingeniería de características es a menudo una parte que las personas con un conocimiento profundo del dominio del problema pueden hacer bien, porque tenemos que pensar en la transformación.

Además de las funciones de Smiles, existen muchas funciones que pueden extraer información valiosa. Por ejemplo, InChI se compone de una serie de partes y proporciona información detallada sobre la estructura molecular.Por ejemploIdentificación inicial, fórmula molecular, tabla de conexiones, recuento de átomos de hidrógeno, recuento de enlaces multirrotativos, información estereoquímica, información de isómeros, información de mezclas o tautómeros, información de multiplicidad de carga y espín, etc.

Además, si quieres mejorar la precisión del modelo, no es mala idea cambiar el modelo.

Optimización de funciones

Extraer fórmula molecular

De la cadena InChI podemos ver que la fórmula molecular se da directamente en/C47H61N7O6S parte. Esto significa que la molécula está compuesta por 47 átomos de carbono, 61 átomos de hidrógeno, 7 átomos de nitrógeno, 6 átomos de oxígeno y 1 átomo de azufre;

Calcular el peso molecular

El peso molecular se puede encontrar multiplicando la masa atómica de cada átomo por su número y luego sumándolos.

como

La masa atómica del carbono (C) es aproximadamente 12,01 g/mol.
La masa atómica del hidrógeno (H) es aproximadamente 1,008 g/mol.
La masa atómica del nitrógeno (N) es aproximadamente 14,01 g/mol.
La masa atómica del oxígeno (O) es aproximadamente 16,00 g/mol.
La masa atómica del azufre (S) es aproximadamente 32,07 g/mol.

Multiplicando las cantidades y sumando obtenemos el peso molecular.

Conteo atómico

Cuente directamente el número de átomos diferentes y amplíelos.

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)

Fusión de modelos

Como mencionamos la última vez, estamos usando el modelo catboost. No hemos probado lightgbm y xgboost. Puede ejecutar estos tres modelos en secuencia y luego promediar los resultados de los tres modelos para la fusión (esta también es un área que se puede mejorar). ).

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

Compartir tecnología