基于机器学习方法预测化学化合物的活性
Predicting the activity of chemical compounds based on machine learning approaches
AI总结：
本研究针对化学信息学中预测化学化合物活性的问题，对现有机器学习技术的100种组合进行实验，并基于G-means、F1-score和AUC等指标在约10,000种PubChem化合物数据集上评估选出最佳解决方案。
摘要：
探索机器学习（ML）的方法和技术以解决各领域的特定挑战至关重要。在本研究中，我们处理化学信息学领域的一个问题，即提供合适的解决方案以尽可能最佳地辅助预测化学化合物的活性。为解决当前问题，本研究对现有技术的100种不同组合进行了实验。随后，根据包括G-means、F1-score和AUC指标在内的一组标准选择这些解决方案。结果已在来自PubChem的约10,000种化学化合物数据集上进行了测试，这些化合物已根据其活性进行了分类。
英文摘要：
Exploring methods and techniques of machine learning (ML) to address specific challenges in various fields is essential. In this work, we tackle a problem in the domain of Cheminformatics; that is, providing a suitable solution to aid in predicting the activity of a chemical compound to the best extent possible. To address the problem at hand, this study conducts experiments on 100 different combinations of existing techniques. These solutions are then selected based on a set of criteria that includes the G-means, F1-score, and AUC metrics. The results have been tested on a dataset of about 10,000 chemical compounds from PubChem that have been classified according to their activity
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
