化合物溶解度预测

化合物溶解度预测是一项常见的机器学习任务，通过预测化合物在水等溶剂中的溶解度，可以为药物研发、环境污染等领域提供重要的参考数据。下面是一个简单的化合物溶解度预测的例子：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score

# 读入数据集
data = pd.read_csv('solubility.csv')

# 提取特征和标签
X = data.drop(['solubility'], axis=1)
y = data['solubility']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 评估模型
r2 = r2_score(y_test, y_pred)
print('R2 score:', r2)

在这个例子中，我们使用了一个线性回归模型来预测化合物的溶解度。首先读入数据集，然后提取特征和标签。这里的特征是化合物的分子描述符，标签是化合物在水中的溶解度。然后我们将数据集划分为训练集和测试集，使用训练集来训练模型，然后在测试集上进行预测并评估模型。最后输出 R2 分数，用于衡量模型的预测能力。

需要注意的是，这仅仅是一个简单的例子，实际的化合物溶解度预测通常需要更加复杂的模型和更多的特征。此外，数据的质量和数量也对模型的预测能力有很大的影响。