机构名称：
¥ 1.0
评估分子和材料特性是材料和化学信息学中的关键。4,5 机器学习中已经开发出各种监督模型，通过学习解释变量的统计关系来训练它们，以根据解释变量预测特定特性。5 有许多监督模型，以线性算法、支持向量机和基于决策树的集成为代表。5 此外，最近的神经网络深度学习技术通过大幅增加模型复杂度突破了预测精度的极限。6 在化学和材料领域，适当使用此类监督模型可以预测多种材料和化学特性，例如电导率、7,8 能级、9 光转换效率 10 和毒性。4 它们的预测精度可以超过人类专家和传统的计算模拟，逐渐形成面向数据的科学的坚实平台。4,5,8 – 10
数字发现 - RSC 出版
主要关键词
相关文件推荐
