支持向量机

编辑 | X在过去几年中，数据驱动的呆板进修 (ML) 手艺已成为设计和创造先进资料的强大工具。然而，由于需要考虑前体、尝试条件和反应物的可用性，资料分解通常比性质和结构展望复杂得多，并且很少有计算展望能在尝试中实现。为了解决这些挑战，来自东南大学和浙江师范大学的研讨团队，提出了一个集成高通量尝试、化学先验知识以及子群创造（subgroup discovery）和支持向量机等呆板进修手艺的通用框架…