基准测试与不确定性量化的度量：质量、适用性及化学中机器学习最佳实践之路
化学物理
2021-01-26 v2 机器学习
摘要
本综述旨在引起对两个问题的关注：当我们着手使机器学习在化学与材料领域发挥作用时，即用于数据驱动模型验证与基准测试的统计损失函数度量，以及其所作预测的不确定性量化。这些往往是被忽视或低估的主题，因为化学工作者通常仅接受有限的统计训练。除了有助于评估给定模型的质量、可靠性和适用性外，这些度量也是比较不同模型性能的关键，从而有助于制定指导方针和最佳实践，以成功应用机器学习于化学中。
引用
@article{arxiv.2010.00110,
title = {Metrics for Benchmarking and Uncertainty Quantification: Quality, Applicability, and a Path to Best Practices for Machine Learning in Chemistry},
author = {Gaurav Vishwakarma and Aditya Sonpal and Johannes Hachmann},
journal= {arXiv preprint arXiv:2010.00110},
year = {2021}
}