基于不同机器学习算法的钙钛矿材料性能预测

0 引言

1 原理与方法

• 1.1 随机森林RF

• 1.2 岭回归RR

• 1.3 支持向量回归SVR

• 性能评估

2 多算法模型的建立

Materials Project 数据库的 102 条钙钛矿材料的数据集

1）数据准备：将 102 条数据集随机分成 93 条训 练集和 9 条测试集

2）模型训练：设置 10 折交叉检验，分别建立 RF、 SVR-RBF、SVR-Linear、RR 模型。针对训练集的形成能、带隙、密度、晶体体 积这 4 个性能进行独立训练。

3）模型效果评估：使用 EMAE、ERMSE、R2 评价指 标对模型效果进行评估。

4）模型应用：利用训练后的多个算法模型对测试集的 4 个性能分别进行独立预测，并作简单评估

3 结果与分析

4 结论

1、构建四种机器学习算法，对性能参数进行回归拟合、构建多算法模型，结合交叉验证找到最优回归方法

2、不同性能采用不同的模型，性能预测提高效率，对新材料的发现有着参考价值和实用意义

3、需要对更多性能参数进行进一步补充