L16 · 22 دقيقة
انحدار، غابة، SVM، XGBoost
لا تزال تنافس الشبكات على بيانات صغيرة.
التعلّم الآلي
أهداف التعلّم
- معرفة متى تنافس الغابات وSVM وXGBoost الشبكات على بيانات صغيرة.
- ربط اختيار النموذج بحجم N وبإمكانية التفسير.
- استخدام أهمية الواصفات بحذر كإرشاد لا كآلية.
الصغير لا يخجل من الكلاسيكي
انحدار منتظم، غابة عشوائية، SVM، وXGBoost ما زالت أدوات جدية عندما يكون لديك عشرات إلى آلاف المركبات. تتفوق أحياناً على شبكة بيانية لأن الأخيرة تحتاج تمثيلاً وانتظاماً أكثر مما يوفره الجدول. الكلاسيكي أيضاً أسهل في التشخيص: منحنى تعلم، أهمية متغير، ودعم نواقل.
متى أي أداة
- MLR/PLS: عندما تريد معاملات تناقَش كيميائياً وN صغير جداً.
- غابة / XGBoost: لاخطية وتفاعلات واصفات، مع خطر الحفظ إن عمق الشجرة حر.
- SVM: حدود قرار في فضاء بصمات عالية البعد؛ حساس للمعايرة C/γ.
| نموذج كلاسيكي | شبكة عميقة | |
|---|---|---|
| N صغير | غالباً أمتن إن ضُبط بانتظام. | سهل الحفظ ما لم يُقيَّد بقوة. |
| التفسير | ممكن بحذر. | يحتاج أدوات إضافية وقد يخدع. |
لماذا؟ — لماذا يبقى خط الأساس الكلاسيكي إلزامياً حتى في ورقة GNN؟
لأنه يخبرك هل العمارة تستحق التعقيد. إن هزم ECFP+XGBoost شبكتك على scaffold split فالرواية المعمارية ضعيفة.
ماذا لو؟ — ماذا لو درّبت XGBoost بعمق كبير على 80 مركباً وحصلت على R² تدريب 0.99؟
حفظ. خفّض العمق، زد الانتظام، وانظر الاختبار وy-scrambling. الرقم اللامع على التدريب دليل اتهام لا فخر.
تمرين
اختر نموذجاً لـ 150 مثبطاً وواصفات فيزيوكيميائية تريد مناقشتها مع كيميائي طبي. برّر.
مواضيع مرتبطة