声明
第一章 绪论
1.1 研究背景与意义
1.2 研究现状
1.3 本文的主要工作
1.4 本文组织结构安排
第二章 机器学习相关理论概述
2.1 机器学习概述
2.2 基分类器概述
2.2.1 逻辑回归(LR)
2.2.2 支持向量机(SVM)
2.2.3 随机森林(RF)
2.2.4 梯度提升(GBDT)
2.2.5 Adaboost(AdaBT)
2.2.6 Xgboost(XGBT)
2.2.7 Extremely Randomized Trees(Extra Trees)
2.2.8 Lightgbm(LGBT)
2.2.9 Catboost(CatBT)
2.3 集成学习框架
2.4 本章小结
第三章 基于集成分类器方法的药物性肝损伤预测研究
3.1 简介
3.2 材料与方法
3.2.1 材料准备
3.2.2 分子指纹的计算
3.3 构建模型
3.3.1 基分类器
3.3.2 Voting 算法
3.3.3 集成模型
3.4 性能评估
3.5 实验结果与讨论
3.5.1 结果
3.5.2 讨论
3.6 本章小结
第四章 基于集成分类器方法的化合物致突变预测研究
4.1 简介
4.2 材料与方法
4.2.1 材料准备
4.2.2 分子指纹的计算
4.2.3 特征选择
4.3 构建模型
4.3.1 基分类器
4.3.2 Stacking 集成算法
4.3.3 集成模型
4.4 性能评估
4.5 实验结果与讨论
4.5.1 结果
4.5.2 讨论
4.6 本章小结
结论
5.1 总结
5.2 展望
参考文献
攻读学位期间发表的学术论文
致谢
安徽大学;