合成化学信息学基准评估四种回归模型

Pennada, Gagan Sai Amith 等人构建并评估了一个合成化学信息学基准：含 5000 个催化醇氧化反应，跨 20 个独立随机种子数据集实现（共 10 万条模拟反应），比较 OLS、XGBoost、随机森林与 RBF-SVR 四种回归模型。 结果显示，在按折标准化下，OLS 的误差（4.001 ± 0.044% MAE）接近 20 种子经验钳制 oracle 基准（3.994 ± 0.043% MAE，R² = 0.870 ± 0.003）与解析高斯噪声下限（3.989% MAE）。在诱饵消融中，OLS、XGBoost 和随机森林对无信息连续描述符几乎不敏感（|ΔMAE| ≤ 0.008%），而未调优的各向同性 RBF-SVR 误差上升较大（+0.360 ± 0.026% MAE），作者将其归因于欧氏距离稀释。 研究还设置底物反应性偏移（σ_sub 取 0、4、8、12 个百分点）的正对照，量化随机五折交叉验证与按底物分组留出（GroupKFold）之间的差异。

AI 根据报道生成 · 3 天前更新

还没有足够的连续观测数据，暂不绘制趋势。