RDKit：基于支持向量回归预测logP

RDKit一个用于化学信息学的python库。使用支持向量回归（SVR）来预测logP。 分子的输入结构特征是摩根指纹，输出是logP。

SVR（Support Vactor Regerssion）支持向量回归机

        支持向量机(SVM)本身是针对二分类问题提出的，而SVR（支持向量回归）是SVM（支持向量机）中的一个重要的应用分支。SVR回归与SVM分类的区别在于，SVR的样本点最终只有一类，它所寻求的最优超平面不是SVM那样使两类或多类样本点分的“最开”，而是使所有的样本点离着超平面的总偏差最小。

•  SVM是要使到超平面最近的样本点的“距离”最大；
•  SVR则是要使到超平面最远的样本点的“距离”最小。

 回归就像是寻找一堆数据的内在的关系。不论这堆数据有几种类别组成，得到一个公式，拟合这些数据，当给个新的坐标值时，能够求得一个新的值。所以对于SVR，就是求得一个面或者一个函数，可以把所有数据拟合了（就是指所有的数据点，不管属于哪一类，数据点到这个面或者函数的距离最近）

数据处理
preprocessing.scale()作用：
scale()是用来对原始样本进行缩放的，范围可以自己定

文章来源: drugai.blog.csdn.net，作者：DrugAI，版权归原作者所有，如需转载，请联系作者。

原文链接：drugai.blog.csdn.net/article/details/88085254