.png){kind=icon}
返回
Exploring Important Features in Continuous Spectral Datasets Using Supervised Learning
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.analchem.6c00048.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
光谱材料的表征与分析通常涉及对大型、复杂、多维数据集的考察，这需要时间和领域经验。监督学习方法对于识别带标签数据集中最相关的特征或描述符尤为有用。调节预测性质的关键特征能够区分不同的数据类别/标签或量级，为特征与模型性质之间的复杂关系（即定量构效关系）提供见解。本研究报告了基于飞行时间二次离子质谱（ToF-SIMS）和小角X射线散射（SAXS）光谱数据集训练的回归机器学习（ML）模型。我们采用了最小绝对收缩和选择算子（LASSO）、偏最小二乘（PLS）、随机森林（RF）、一维卷积神经网络（1D-CNN）和多层感知器（MLP）算法。我们研究了ML方法对大型或噪声连续光谱数据的建模能力，以及阐明控制响应变量的重要特征的能力。这通过计算与每种方法相关的特征归因度量实现（例如LASSO和PLS的回归系数、RF的袋外排列特征重要性，以及1D-CNN的梯度加权类激活映射（Grad-CAM））。我们采用嵌套k折交叉验证方法定量报告其性能，以全面评估训练和测试误差。结果表明，RF和1D-CNN优于其线性对应方法，而MLP表现不佳。此外，我们探讨了改变CNN架构对其平移不变性特征的影响，以及与位置不变的SIMS和非不变SAXS数据的交互，为这些方法的应用提供了进一步见解。
Keyword:
Supervised learning
Spectral data analysis
Feature attribution
Machine learning models
Quantitative structure–property relationships
期刊
IF:
6.7
论文数:
4.7W
被引数:
15.9W
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Fast and interpretable classification of small X-ray diffraction datasets using data augmentation and deep neural networks使用数据增强和深度神经网络对小型x射线衍射数据集进行快速且可解释的分类
OAAI
OAAI分享收藏Explainable AI for Time Series Classification: A Review, Taxonomy and Research Directions用于时间序列分类的可解释AI: 回顾，分类和研究方向IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Small-angle X-ray and neutron scattering applied to lipid-based nanoparticles: Recent advancements across different length scales应用于脂质纳米颗粒的小角度x射线和中子散射: 不同长度尺度的最新进展OAAI
OAAI分享收藏Nondestructive detection of SSC in multiple pear ( Pyrus pyrifolia Nakai) cultivars using Vis-NIR spectroscopy coupled with the Grad-CAM methodFOOD CHEMISTRY
FOOD CHEMISTRYIF9.8
PREAI
分享收藏
查看更多内容