基于特征工程与类别不平衡缓解提升杂化金属卤化物的维数预测
机器学习
2025-12-08 v1
摘要
我们提出了一种机器学习框架，用于预测杂化金属卤化物（HMHs）的结构维数，包括有机-无机钙钛矿，结合基于化学信息的特征工程和先进的类别不平衡处理技术。该数据集包含 494 种 HMH 结构，在维数类别（0D、1D、2D、3D）之间高度不平衡，这对预测建模构成重大挑战。该数据集后经采用合成少数过采样技术（SMOTE）扩充至 1336 种，以缓解类别不平衡的影响。我们开发了基于相互作用的描述符，并将其整合到一种结合特征选择、模型堆叠和性能优化的多阶段工作流程中，以提高维数预测准确性。我们的方法显著提高了底层类别的 F1 分数，在所有维数上实现稳健的交叉验证性能。
引用
@article{arxiv.2512.05367,
title = {Enhancing Dimensionality Prediction in Hybrid Metal Halides via Feature Engineering and Class-Imbalance Mitigation},
author = {Mariia Karabin and Isaac Armstrong and Leo Beck and Paulina Apanel and Markus Eisenbach and David B. Mitzi and Hanna Terletska and Hendrik Heinz},
journal= {arXiv preprint arXiv:2512.05367},
year = {2025}
}