利用Python的机器学习算法进行小分子药物活性预测（岭回归、随机森林回归及极端森林回归结合加权平均融合模型）

简介：
本研究采用Python编程语言，通过集成岭回归、随机森林回归和极端森林回归，并引入加权平均融合策略，有效提升了小分子药物活性的预测精度。 该项目基于机器学习算法，通过对比单模型与融合模型计算所得的指标来预测小分子在人体内的清除率。 项目运行环境包括Python、Jupyter Notebook 或 Spyder，并需要安装 matplotlib、numpy、pandas 和 sklearn 等库。 整个项目分为三个模块：数据预处理，创建并编译模型以及进行模型训练。单模型部分将分别训练岭回归模型、随机森林模型和极端森林模型。在多模型融合阶段，则采用最简单的回归问题的加权平均方法对两个表现最优的模型进行不同权重的平均，并输出最佳权重结果。 项目评估各模型性能时，以rmse（均方根误差）作为评价指标。经过分析发现，融合后的模型获得了最低的 rmse 值为2.698796237546118。