典型文献
机器学习结合分子指纹预测过硫酸盐氧化体系污染物的降解速率常数
文献摘要：
降解速率是环境污染物处理工艺选用和设计中必须考虑的关键因素,与传统实验方法相比,基于定量构效关系(QSAR)模型预测有机物降解速率的方法可以明显降低人力、物力和时间成本.文章基于分子指纹(MF),分别使用随机森林和极端梯度提升(XGBoost)机器学习算法,成功构建了预测过硫酸盐高级氧化体系中有机污染物降解速率常数的MF-QSAR模型.与MD-QSAR模型相比,MF-QSAR模型在应对更大的数据集时,仍能表现出良好的性能,XGBoost模型的决定系数和均方根误差分别为0.8378和0.3160.最后,使用SHapley Additive exPlanations方法解释了MF具体位点对模型结果的贡献度,XGBoost模型正确区分了富电子和吸电子分子特征对模型的正负影响.
文献关键词：
降解速率常数;定量构效关系;分子指纹;机器学习
中图分类号：
作者姓名：
杨鹰;潘思远
作者机构：
中南大学 化学化工学院,湖南 长沙 410083
文献出处：
引用格式：
[1]杨鹰;潘思远-.机器学习结合分子指纹预测过硫酸盐氧化体系污染物的降解速率常数)[J].徐州工程学院学报（自然科学版）,2022(02):42-48
A类：
B类：
分子指纹,过硫酸盐氧化,氧化体系,降解速率常数,环境污染物,污染物处理,处理工艺,传统实验,实验方法,定量构效关系,QSAR,有机物降解,时间成本,MF,极端梯度提升,XGBoost,机器学习算法,高级氧化,有机污染物降解,MD,决定系数,SHapley,Additive,exPlanations,贡献度,正确区分,分子特征,正负影响
AB值：
0.321185
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
