[UPLC-QDA和机器学习用于区分Fritillariae Cirrhosae Bulbus的不同商品规格,以及数据增强技术的应用]

科学领域:

• 药理学是指药理学,即药理学是指药理学.
• 分析化学 分析化学
• 计算化学计算化学

背景情况:

• 准确预测Fritillariae Cirrhosae Bulbus的商品规格对于质量控制至关重要.
• 传统方法可能缺乏复杂的植物化学分析所需的精度和效率.
• 探索先进的计算技术,如机器学习和数据增强,对于现代药物分析至关重要.

研究的目的:

• 开发一种基于机器学习的方法,用于预测Fritillariae Cirrhosae Bulbus的商品规格.
• 调查数据增强技术的实用性,特别是条件表式生成对抗网络 (CTGAN),在药物分析中.
• 为了比较在真实数据和增强数据上训练的机器学习模型的性能.

主要方法:

• 利用相关性优化曲折 (COW) 算法对UPLC-QDA数据进行峰值校准.
• 应用无监督学习技术,包括集群分析,主要组件分析 (PCA) 和相关性分析.
• 使用后勤回归用于监督学习和CTGAN用于数据增强.

主要成果:

• 机器学习模型准确地预测了Fritillariae Cirrhosae Bulbus分类 (Songbei,Qingbei,Lubei) 的情况.
• 与真实数据的逻辑回归实现了0.95的交叉验证和1.00的测试集准确度.
• 使用真实数据和CTGAN生成的数据进行后勤回归,实现了0.99的交叉验证和1.00的测试集准确性.
• 由CTGAN生成的数据改善了模型性能,证明了它在解决数据稀缺方面的价值.

结论:

• 机器学习,特别是物流回归,可以准确地预测Fritillariae Cirrhosae Bulbus的商品规格.
• 条件表式生成对抗网络 (CTGAN) 有效地增强数据,提高机器学习模型在药物分析中的准确性和预测能力.
• 这项研究强调了将先进的计算方法集成到草药分析中以进行强有力的质量控制的潜力.