【Datawhale AI夏令营--- 机器学习篇】

一、学习心得。

7.25小结

今天是第一天，主要任务是运行baseline。
首先整理一下今天的收获（先说结论）：

1、通过大模型工具来得到自己要的最适合自己的答案。

这个方法大大提高了我的学习效率，在学习机器sklearn的时候时常会遇到一些晦涩难懂的表述，或者一些新的单词，而通过提问ai大模型，大大加深了我的理解，让我有兴趣去探索未知的东西，同时兼具广度和深度，我自认是一个学习能力不是很突出的人，从前读高中的时候羡慕别人脑子就是转的快，就是很快能理解很难懂的东西，但随着ai大模型的出现，以及我自己切身体会，理解东西往往不需要自己去钻细枝末节，ai可以辅助我们理解，建立最适合我们大脑的神经链接
这是时代的宝藏！而我们很幸运成为最早的一批他的享有者，我们要意识到它将颠覆我们以往的学习模式

2.知识点小结

1、在sklearn中，几乎所有的机器学习的流程是：

（1）实例化模型（并指定重要参数）；
（2）model.fit(x, y) 训练模型；

2、 pandas（用于数据处理和分析），scikit-learn（机器学习库），rdkit（化学信息工具）

3.步骤总结：

导入数据——读取数据——建模（向量化）——机器学习算法处理——加载模型进行预测，并将结果文件导出

4.什么是特征？

特征（Features） 是指从原始数据中提取的，用于表示数据的可测量属性或指标。这些特征被用作模型的输入，以便模型可以学习如何根据这些特征来做出预测或决策。简单来说，特征就是模型用来理解和分析数据的依据。

5.为什么需要特征？

过精心设计的特征，机器学习模型能够更有效地从数据中学习到有用的信息。忽略冗余或无关的信息。

6.题目中的特征是什么？

Reactant1,Reactant2,Product,Additive,Solvent都是由SMILES表示。所以，可以使用rdkit工具直接提取SMILES的分子指纹（向量），作为特征。