检测项目

模型拟合优度：评估模型对训练数据集的解释能力，常用指标如决定系数R²。

内部验证（交叉验证）：通过将训练集划分为多个子集进行循环训练与测试，评估模型的稳定性和过拟合风险。

外部验证：使用完全独立的测试集评估模型的泛化能力和预测准确性，这是验证的关键步骤。

Y-随机化检验：随机打乱因变量（活性/性质）数值，重新建立模型，以确认原模型并非由偶然因素导致。

应用域分析：界定模型可靠预测的化学空间范围，识别超出应用域的化合物，其预测结果不可信。

残差分析：检查预测值与实验值之间的残差分布，判断是否存在系统性偏差或异方差性。

杠杆值与影响力分析：识别训练集中对模型参数有过度影响的强杠杆点或异常点。

多重共线性诊断：检查描述符（自变量）之间是否存在高度相关性，以避免模型不稳定和解释困难。

生物活性阈值预测准确性：针对分类模型，评估其在特定活性阈值处的分类准确率、灵敏度和特异性。

模型不确定性量化：评估和报告单个预测值的不确定性或置信区间，为决策提供风险参考。

检测范围

训练集化合物结构多样性：确保训练集能广泛覆盖目标化学空间，包含各类核心骨架和官能团。

测试集化学空间覆盖度：验证测试集化合物是否位于模型应用域内，且与训练集具有合理的相似性分布。

活性/性质值范围：模型应在其构建所基于的活性或性质数值范围内进行验证，外推需格外谨慎。

分子描述符取值范围：检查用于建模的描述符在验证集中的取值是否未显著超出训练集的极值范围。

不同作用机制化合物：若可能，验证集应包含已知不同作用机制的化合物，以测试模型的机制普适性。

不同盐型或晶型：对于受固态性质影响的性质，需考虑不同盐型或晶型对模型预测的影响。

体外与体内数据关联性：若模型涉及多层级数据，需验证从体外到体内预测的关联性与可靠性。

不同物种间的外推性：在药物发现中，验证模型从一个物种（如大鼠）到另一个物种（如人）的预测能力。

合成可行性空间：在材料科学中，验证范围需考虑实际可合成或可获得的材料组成与结构空间。

法规相关化学类别：针对环境毒理学或监管应用，验证需特别关注法规中重点关注的特定化学类别。

留一法交叉验证：每次留一个样本作为测试，其余作为训练，循环直至所有样本都被测试一次。

留多法交叉验证：将数据集随机分成k个子集，轮流将其中一个作为测试集，其余作为训练集。

重复蒙特卡洛验证：多次随机划分训练集和测试集进行外部验证，统计性能指标的分布。

自举法：通过有放回抽样生成多个新训练集并建模，用于评估模型参数的稳定性及预测置信区间。

响应排序法检验：检验模型对同系列化合物活性趋势的预测能力，而不仅仅是绝对数值的准确性。

聚类分割法：基于分子结构的聚类分析来划分训练集和测试集，确保测试集代表全新的结构类别。

时间分割法：按照化合物被合成或数据被报道的时间顺序划分数据集，模拟真实的预测场景。

基于相似性的应用域定义法：使用分子指纹、距离度量等方法计算化合物与训练集的相似度来界定应用域。

杠杆值与标准化残差图分析法：通过绘制威廉姆斯图等可视化方法，直观识别异常值和应用域边界。

接收者操作特征曲线分析：用于分类模型，通过绘制ROC曲线并计算曲线下面积来综合评价分类性能。

高性能计算集群：用于运行复杂的机器学习算法、进行大规模的交叉验证和蒙特卡洛模拟计算。

线上咨询或者拨打咨询电话;

获取样品信息和检测项目;

支付检测费用并签署委托书;

开展实验，获取相关数据资料;

出具检测报告。