@Datawhale AI 物质科学task1 打卡笔记

此笔记为物质科学task1 打卡笔记，task1主要任务是跑通baseline并将结果提交至比赛官网

代码将在魔塔和阿里云modelscope平台上运行。

作者的话：

我是非计算机类的本科学生，受到了同学邀请参加了本次夏令营和比赛。听说这个方向比较适合小白，我也比较感兴趣，就毫不犹豫地加入了🤭。希望能在这次夏令营中学习到一些新的知识和技能吧。下面是对比赛的一些理解以及个人的一些看法（可能不是很成熟🤔）

比赛任务

本次比赛提供在药物合成中常见的多种催化反应实验数据，其中包括反应的底物、包括催化剂在内的反应添加剂、反应溶剂以及反应产物，期待选手通过分析反应数据，利用机器学习、深度学习算法或者大语言模型，建立产率预测模型，从而辅助未知新反应的反应条件筛选。

分析赛题

构建一个能够准确预测碳氮成键反应产率的预测模型。

通过对反应中所包含的反应底物、添加剂、溶剂以及产物进行合理的特征化，运用机器学习模型或者深度学习模型拟合预测反应的产率。

或者利用训练集数据对开源大语言模型进行微调以预测反应的产率。

即为

输入：底物和条件，（SMILES）

输出：产率，（float，0-1之间）

本次学习活动的赛题是一个典型的回归问题，即预测的结果是连续的值。

评价指标

实验真实结果与预测结果$R^2$决定系数来进行评测:

baseline主要的流程如下：

1. 导入库：首先，代码导入了需要用到的库，包括 pandas（用于数据处理和分析），scikit-learn（机器学习库），rdkit（化学信息工具）。

2. 读取数据：代码通过使用 pd.read_csv 函数从文件中读取训练集和测试集数据。

3. 使用Morgan分子指纹建模SMILES：

- 这个过程需要调用rdkit的相关模块。然后将Reactant1,Reactant2,Product,Additive,Solvent字段的向量拼接到一起，组成一个更长的向量。

1. 使用随机森林预测结果：

- 这里直接调用sklearn的RandomForestRegressor模块实例化一个随机森林模型，并对n_estimators等重要参数进行指定。最后使用model.fit(x, y)训练模型。模型保存在本地'./random_forest_model.pkl'。

1. 加载模型进行预测，并将保存结果文件到本地：

- pkl文件直接使用pickle.load()加载，然后使用model.predict(x)进行预测。预测的结果保存为比赛官方指定的文件格式。

以上是基于赛事官网对本次比赛赛题的解释和相关流程，按作者的理解来看就是将反应底物、添加剂、溶剂以及产物进行合理的特征化，通过机器学习和深度学习的方法，预测反应的产率

Task1相关问题及解决办法

1.进入平台后要将代码和赛事数据从本地拖入到魔塔。需要打开终端并使用命令

unzip AI+化学baseline文件包.zip

2.model scope 平台退出实例后不会保存除代码以外的文件，需要及时将重要文件保存到本地。

3.n_estimators为决策树的个数，决策树越多越好，但越多的决策树会带来更大的计算开销，而且后期提升的分数不明显。故不建议设置较多的决策树。