23、基于图卷积的分子生物活性预测研究

基于图卷积的分子生物活性预测研究

1. 算法性能基础分析

F1分数综合考虑了模型的精确率和召回率，只有当这两个值都较高时，F1值才会更高，模型性能也更好。通过对不同基准模型在多个数据集上的ACC和F1分数指标结果分析发现：
- 基于图卷积的EAGCN比传统机器学习方法表现出更好的分类性能。其ACC指标比基准学习模型高2 - 8%，F1分数指标高1 - 5%。直接从分子图中获取信息而非预先计算的特征，能够提升模型性能。
- 在少数数据集上，DNN的性能与EAGCN基本相同或略高，RF有时也能达到与EAGCN相同的性能，这表明仍有很大的优化空间。
- 基于多特征融合的MF EAGCN模型表现出更优的分类性能，证明多特征融合方案能更好地利用边属性信息来提高模型预测性能。其ACC指标比EAGCN模型高1 - 2%，F1分数指标高约1%。

Task	ACC					F1 - score
Dataset	RF	SVM	DNN	EAGCN	EAGCN MF	RF	SVM </