药研猿的博客

在开始前第一步需要导入deepchem模块。以下都默认dataset已经准备好，并成功拆分成了train_dataset、 valid_dataset、 test_dataset。import deepchem as dc数值连续型机器学习模型1.随机森林from sklearn.ensemble import RandomForestRegressor#将随机森林训练模型简写为rfrf = RandomForestRegressor() #deepchem只是提供了深度学习.

几种Featurizer解读Deepchem的Featurizer我倾向于翻译成‘特征提取器’。我们都知道化学分子本身不能直接作为机器学习的读入数据，这就需要我们将其结构转变为数字形式。而featurizer可以很方便做到这一点，它可以将化学分子（SMILE格式）转变为长度一致的向量或维度一致的矩阵形式。为了方便说明，我们需要提前准备好需要进行特征提取的小分子：import deepchem as dcsmiles = [ 'O=Cc1ccc(O)c(OC)c1', 'CN1CCC[C

个人Dataset构建Numpy构建Datasetimport deepchem as dcimport numpy as npsmiles = [ 'O=Cc1ccc(O)c(OC)c1', 'CN1CCC[C@H]1c2cccnc2', 'C1CCCCC1', 'c1ccccc1', 'CC(=O)O',]properties = [0.4, -1.5, 3.2, -0.2, 1.7]#初始化特征生成器（自定义生成的特征向量长度为1024）featuriz

写在前面DeepChem是一个用于科研的机器学习库。DeepChem最初专注于化学分子的研究，但随着版本更迭，现在其已能更广泛地支持所有类型的科学应用。我觉得这个模块做的比较好的几点在于：能够方便地将化学分子用统一长度的向量或矩阵表示，便于机器学习数据输入；提供方便使用的机器学习接口，你可以不必专门学习机器学习库（如Tensorflow 、Pytorch等）；封装化程度高，上手容易。但对于需要个性化参数调整的需求就不是很方便了，这个时候就需要查阅源码，在理解的基础上进行调整。从本期开始，