基于Stacking融合模型的抗乳腺癌药物活性值预测

通过实验研发和筛选药物耗时费力，为了能快速有效筛选候选药物，利用随机森林算法（Random Forests,RF）、极限梯度提升算法（eXtreme Gradient Boosting,XGBoost）等筛选出20个最具显著影响的分子描述符，再构建Stacking融合模型，利用贝叶斯优化调参，预测化合物的生物活性值，模型拟合度为0.793 7，均方根误差为0.681 2。结果表明，该模型与单一机器学习算法相比，具有更好的预测性能，对抗乳腺癌药物的研发具有重要的指导意义。