给我一个可以用于AIDD CADD分析回归的药物分子数据集和复杂一点的代码

以下是一个可以用于AIDD CADD分析回归的药物分子数据集的复杂代码示例，其中使用了决策树回归模型和交叉验证：

import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import mean_squared_error

# 导入数据集
data = pd.read_csv('DrugMatrix.csv')

# 选择特征和目标变量
features = ['MW', 'LogP', 'NumHDonors', 'NumHAcceptors']
target = 'Cmax'

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data[features], data[target], test_size=0.2, random_state=0)

# 定义决策树回归模型
regressor = DecisionTreeRegressor()

# 定义参数网格
params = {'max_depth': [2, 4, 6, 8, 10], 'min_samples_leaf': [1, 2, 4, 6, 8]}

# 使用交叉验证寻找最佳参数
grid_search = GridSearchCV(regressor, params, cv=5, scoring='neg_mean_squared_error')
grid_search.fit(X_train, y_train)

# 训练模型
best_regressor = grid_search.best_estimator_
best_regressor.fit(X_train, y_train)

# 预测测试集
predictions = best_regressor.predict(X_test)

# 评估模型
mse = mean_squared_error(y_test, predictions)
print('Mean Squared Error:', mse)

该代码将数据集分为训练集和测试集，并使用决策树回归模型进行训练和预测。使用交叉验证在参数网格中搜索最佳参数。最后，使用均方误差评估模型的性能。