VIP20
本课程属于：051-ADMET预测特征学习任务 生物信息学与 AI 制药工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

交叉验证策略在ADMET预测中的实践

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
ADMET预测概述
背景 · 应用场景与常见任务
ADMET预测概述
02
机器学习在ADMET预测中的角色
从传统方法到深度学习
ADMET机器学习
03
数据准备
分子表示方法（SMILES · 指纹 · 分子描述符）
数据准备SMILES
04
数据集划分原则
训练集 · 验证集 · 测试集的合理分配
数据集划分原则训练集
05
交叉验证基础
为什么需要交叉验证？核心思想
交叉验证基础为什么需要交叉验…
06
K折交叉验证
原理 · 实现与注意事项
K折交叉验证原理
07
分层K折交叉验证（Stratified K‑Fold）
处理类别不平衡
StratifiedFold
08
留一交叉验证（LOO‑CV）
适用场景与计算代价
LOOCV
09
留P交叉验证（LPO‑CV）
灵活的数据划分策略
LPOCV
10
重复交叉验证
提升评估稳定性
重复交叉验证提升评估稳定性
11
嵌套交叉验证（Nested CV）
无偏模型选择与评估
NestedCV
12
时间序列交叉验证
针对ADMET时间依赖数据
时间序列交叉验证ADMET
13
分组交叉验证（GroupKFold）
防止数据泄漏
GroupKFold分组交叉验证
14
自定义交叉验证策略
根据ADMET任务灵活设计
自定义交叉验证策…ADMET
15
交叉验证中的常见陷阱
数据泄漏 · 重复样本 · 种子设定
交叉验证常见陷阱
16
评价指标
AUC‑ROC · 准确率 · F1
评价指标AUC
17
不平衡数据下的交叉验证策略
过采样 · 欠采样与分层
不平衡数据下的交…过采样
18
多任务学习中的交叉验证
联合预测多个ADMET属性
多任务学习交叉验证
19
特征选择与交叉验证结合
避免特征选择偏差
特征选择交叉验证结合
20
超参数调优
GridSearchCV 与 Ran…
超参数调优GridSearchCV
21
交叉验证在模型集成中的应用
Stacking · Bagging
交叉验证模型集成
22
使用 scikit‑learn 实现 ADMET 交叉验证流水线
使用 scikit‑learn 实现 A… · 核心概念 · 实践要点
scikitlearn
23
使用 DeepChem 进行分子图神经网络交叉验证
使用 DeepChem 进行分子图神经网… · 核心概念 · 实践要点
DeepChem使用
24
使用 RDKit 计算分子特征并与交叉验证衔接
使用 RDKit 计算分子特征并与交叉验… · 核心概念 · 实践要点
RDKit使用
25
案例1
预测水溶性（LogS）——K折交叉验…
案例1LogS
26
案例2
预测 Caco‑2 渗透性——分层交…
案例2Caco
27
案例3
预测 hERG 毒性——嵌套交叉验证…
案例3hERG
28
结果分析
学习曲线 · 验证曲线诊断过拟合
结果分析学习曲线
29
交叉验证结果的统计检验
对比不同模型性能
交叉验证结果的统…对比不同模型性能
30
总结与最佳实践
高效构建ADMET预测模型
最佳实践ADMET