DataWhale AI夏令营 AI+化学 task1

导入库

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。

使用Morgan分子指纹建模SMILES
此步先要完成特征提取，具体来说，有rxnid,Reactant1,Reactant2,Product,Additive,Solvent,Yield字段。其中：

rxnid 对数据的id标识，无实际意义
Reactant1 反应物1
Reactant2 反应物2
Product 产物
Additive 添加剂（包括催化剂catalyst等辅助反应物合成但是不对产物贡献原子的部分）
Solvent 溶剂
Yield 产率 其中Reactant1,Reactant2,Product,Additive,Solvent都是由SMILES表示。
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。

Rdkit：化学信息学中主要的工具，开源。网址：http://www.rdkit.org，支持WIN\MAC\Linux，可以被python、Java、C调用。几乎所有的与化学信息学相关的内容都可以在上面找到。

使用随机森林进行建模。

sklearn (scikit-learn) 

是一个非常广泛使用的开源机器学习库，基于Python，建立在NumPy、SciPy、Pandas和Matplotlib等数据处理和分析的库之上。
它涵盖了几乎所有主流机器学习算法，包括分类、回归、聚类、降维等。API设计亲民，整个使用简单易上手，非常适合作为机器学习入门的工具。 官网：scikit-learn: machine learning in Python — scikit-learn 1.5.1 documentation

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；

随机森林 

参数解释：

• n_estimators=10： 决策树的个数，越多越好；但是越多意味着计算开销越大；
• max_depth: (default=None)设置树的最大深度，默认为None；
• min_samples_split: 根据属性划分节点时，最少的样本数；
• min_samples_leaf: 叶子节点最少的样本数；
• n_jobs=1： 并行job个数，-1表示使用所有cpu进行并行计算。