近年来,集群建模方法逐渐成为变量选择和异常样本检测的重要手段。结合集群建模思想,本论文提出了一种新的基于变量选择的2D-QSAR建模方法：多元线性集群建模(Multiple Linear Regression Model Population Analysis, MLRMPA)。它是集...
详细信息
近年来,集群建模方法逐渐成为变量选择和异常样本检测的重要手段。结合集群建模思想,本论文提出了一种新的基于变量选择的2D-QSAR建模方法：多元线性集群建模(Multiple Linear Regression Model Population Analysis, MLRMPA)。它是集群建模思想和多元线性逐步回归思想相融合的一种建模方法。文中详细介绍了集群建模算法及其应用；多元线性集群建模算法、实现及在定量结构活性关系中的应用。通过两个应用实例,进一步详细描述了算法,探讨了算法中的参数设置,并与启发式方法和随机森林算法得到的模型进行比较,分析了该算法的优缺点。
第一章集群建模算法和多元线性集群建模算法,介绍了集群建模算法及其应用、多元线性集群建模算法,并对多元线性集群建模算法的实现工具R语言进行了简单介绍。
第二章对抗HIV-1非核苷类逆转录酶抑制剂二芳基嘧啶类衍生物(Diaryl-pyrimidine Derivatives, DAPYs)类药物的多元线性集群建模研究。该章节针对两种软件(Codessa和Dragon)计算的描述符,利用传统变量选择方法分别建立模型,通过比较模型,找到更适合MLRMPA算法的一类描述符进行MLRMPA建模；比较两种建模方法(HM和MLRMPA)的结果,发现MLRMPA对于该体系能建立较好模型；文中对MLRMPA中的参数设置也进行了探讨。
第三章介绍了程序包MLRMPA。主要描述如何在Windows系统中编写R语言程序包,结合应用实例建立了预测有机化合物谢切诺夫常数的模型,介绍了如何使用多元线性集群建模算法的程序包MLRMPA,并将得到的结果和随机森林算法以及文献得到的结果进行比较分析,得出该算法的优缺点。
第四章对多元线性集群建模算法进行总结和展望。
暂无评论