基于机器学习的金属有机框架材料预测：多模型比较分析
机器学习
2025-07-08 v1
摘要
金属有机框架因其独特的结构特性和多功能性，已成为多种应用中前景广阔的材料。本研究对预测金属有机框架材料特性的机器学习方法进行了全面探究。我们采用了五种不同的机器学习模型：随机森林、XGBoost、LightGBM、支持向量机和神经网络，利用Kaggle平台的数据集分析和预测金属有机框架特性。使用包括RMSE、R²、MAE和交叉验证分数在内的多个性能指标对模型进行了评估。结果表明，随机森林模型取得了优越性能，R²值为0.891，RMSE为0.152，显著优于其他模型。LightGBM表现出显著的计算效率，在保持高精度的同时，训练完成仅需25.7秒。我们的比较分析揭示，在金属有机框架特性预测中，集成学习方法通常比传统单一模型表现更好。本研究为机器学习在材料科学中的应用提供了宝贵见解，并为未来的金属有机框架材料设计和特性预测建立了一个稳健框架。
引用
@article{arxiv.2507.04493,
title = {Machine Learning-Based Prediction of Metal-Organic Framework Materials: A Comparative Analysis of Multiple Models},
author = {Zhuo Zheng and Keyan Liu and Xiyuan Zhu},
journal= {arXiv preprint arXiv:2507.04493},
year = {2025}
}