You can deploy this model and start earning money today!

OsBaran/
tg-xgb-morgan-879

Views

No views yet

XGBoost QSAR Regresyon Modeli (Morgan Fingerprints)

Bu model, moleküler SMILES dizilerini girdi olarak alıp bir 'value' (örn. pIC50, aktivite) değerini tahmin etmek için eğitilmiş bir XGBoost Regresörüdür.

📈 Model Performansı (Test Seti)

Model, temizlenmiş veri setinin %20'si üzerinde test edilmiştir:

R-squared (R²): 0.8795
RMSE: 38.6370
MSE: 1492.8184

⚙️ Model Mimarisi

Model Tipi: XGBRegressor
Öznitelikler: Morgan Fingerprints (radius=3, n_bits=2048)
Eğitim Verisi: 8364 geçerli molekül
Hiperparametreler:
- n_estimators: 527
- max_depth: 11
- learning_rate: 0.0823
- subsample: 0.9728
- colsample_bytree: 0.7048

🚀 Modeli Kullanma (Python)

Modeli yüklemek ve tahmin yapmak için huggingface_hub, joblib ve rdkit gerekir.

python

import joblib
import numpy as np
from huggingface_hub import hf_hub_download
from rdkit import Chem
from rdkit.Chem import AllChem

# --- Gerekli fonksiyonlar ---
def get_morgan_fp(smiles, radius=3, n_bits=2048):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return np.zeros((n_bits,), dtype=int)
    fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius, nBits=n_bits)
    return np.array(fp)

# --- Model ve ön işleyiciyi yükle ---
REPO_ID = "BURAYA-REPO-ID-GELECEK" # Örn: "kullanici-adi/model-adi"
MODEL_FILE = "xgb_morgan_regressor.joblib"

model_path = hf_hub_download(repo_id=REPO_ID, filename=MODEL_FILE)
model = joblib.load(model_path)

print("Model başarıyla yüklendi.")

# --- Tahmin yapma ---
smiles_list = ["CCO", "c1ccccc1O"]
fingerprints = np.array([get_morgan_fp(s) for s in smiles_list])

predictions = model.predict(fingerprints)
print(f"Tahminler: {predictions}")

OsBaran/tg-xgb-morgan-879

XGBoost QSAR Regresyon Modeli (Morgan Fingerprints)

📈 Model Performansı (Test Seti)

⚙️ Model Mimarisi

🚀 Modeli Kullanma (Python)

OsBaran/
tg-xgb-morgan-879