Python开发BPNN、XGBoost与PSO寻优模型实现分子性质预测
分子物理化学性质的准确预测是加速化学研发、降低高通量筛选成本的关键环节。本文基于机器化学家平台采集的20 万分子物理化学性质数据集（含 id、class、y1~y3 及 x1~x100 共 105 列），构建了一套完整的机器学习分子性质预测流程：对 y1、y2、y3 进行 IQR 异常值清洗与正态性检验，采用 Spearman 相关与随机森林基尼不纯度两路联合筛选锁定 x4、x6、x7 三个关键描述符，建立 BP 神经网络回归模型预测 y1（R²=0.9995，全量复现 1.000000）；针对 y3 构建完全二次型回归模型给出显式函数关系，并通过 ±5% 波动完成灵敏度分析；针对分子类别构建 XGBoost 多分类模型（准确率 0.9743），结合分层抽样应对类别不平衡；最后引入粒子群优化算法对模型超参数寻优，PSO-BPNN 将 y1 预测精度提升至 R²=0.9998，PSO-XGBoost 将分类准确率提升至 0.9914。该流程可直接迁移至材料筛选与性质预测场景，配套对话式 AI Agent 支持参数调整与实时预测。
