提高分子打印的聚合物基电化学传感器的预测性能,使用机器学习模型的堆叠回归组合
Reza Mohammadi Dashtaki1, Saeed Mohammadi Dashtaki2, Esmaeil Heydari-Bafrooei1
1Department of Chemistry, Isfahan University of Technology, Isfahan 84156-83111, Iran.
ACS sensors
|April 17, 2025
概括
机器学习模型显著提高了分子印记聚合物 (MIP) 传感器对多克索鲁比检测的性能. 一种新的整体模型提高了预测准确度和可靠性,展示了电化学传感器开发的广泛适用性.
科学领域:
- 电化学 电化学 电化学
- 材料科学 材料科学 材料科学
- 数据科学数据科学数据科学
背景情况:
- 电化学传感器的性能依赖于平衡多种影响因素.
- 机器学习 (ML) 为分析传感器参数和预测性能提供了强大的工具.
- 开发选择性和敏感的传感器,如多克索鲁比 (Dox) 的传感器,需要先进的建模技术.
研究的目的:
- 开发一种基于分子印记聚合物 (MIP) 的电化学传感器,用于检测多克索鲁比 (Dox).
- 使用基于ML的组合模型来提高传感器性能和可靠性.
- 调查特征的重要性和优化模型预测能力.
主要方法:
- 使用四个ML模型 (DT,XGBoost,RF,KNN) 与SHAP进行特征重要性分析.
- 应用了最小至最大的缩放,以确保比例的特征贡献.
- 多个ML模型 (LR,KNN,DT,RF,AdaBoost,GB,SVR,XGBoost,Bagging,PLS,Ridge) 的性能比较,用于预测传感器输出电流.
- 开发了一个新的堆叠回归组合模型,集成了DT,RF,GB,XGBoost和Bagging.
主要成果:
- 功能重要性分析指导优化,通过删除不那么有影响力和添加新的功能.
- 拟议的堆叠回归组合模型显著优于单个ML模型的性能.
- 达到0.993的高R平方 (R2),降低了0.436的RMSE和0.244.4的MAE.
- 证明了基于MIP的电化学传感器的增强灵敏度和可靠性.
结论:
- 开发的堆叠回归元组合模型提供了一种可靠的方法来提高基于MIP的电化学传感器性能.
- 这种基于机器学习的方法提高了Dox检测的预测准确性和可靠性.
- 该方法可适应开发其他带有各种传感器和传感元件的电化学传感器.
