比赛连接：2024 iFLYTEK A.I.开发者大赛-讯飞开放平台 (xfyun.cn)

赛题背景

强调了人工智能在科研领域，特别是在化学和药物研发中的重要性。

指出了PROTACs技术在靶向降解目标蛋白质方面的潜力。

赛题任务

要求选手使用提供的demo数据集，这个数据集包含了多个与PROTACs降解能力相关的字段。

允许选手通过数据增强或自行搜集数据来扩充数据集，并自行划分数据集用于训练和验证模型。

赛题提供的数据比较有限，仅有几百条，如果能搜索出合适的数据扩充数据集将会是很大的提升，当然数据的搜索也是非常困难的。

实践步骤：

1、跑通baseline 

只需要按照DataWhile官方提供的文档进行学习就行。下面是示例：

Step1：下载相关库

!pip install lightgbm openpyxl

Step2：训练模型并预测获得结果！

<code># 1. 导入需要用到的相关库

# 导入 pandas 库，用于数据处理和分析

import pandas as pd

# 导入 numpy 库，用于科学计算和多维数组操作

import numpy as np

# 从 lightgbm 模块中导入 LGBMClassifier 类

from lightgbm import LGBMClassifier

# 2. 读取训练集和测试集

# 使用 read_excel() 函数从文件中读取训练集数据，文件名为 'traindata-new.xlsx'

train = pd.read_excel('./data/data280993/traindata-new.xlsx')

# 使用 read_excel() 函数从文件中读取测试集数据，文件名为 'testdata-new.xlsx'

test = pd.read_excel('./data/data280993/testdata-new.xlsx')

# 3 特征工程

# 3.1 test数据不包含 DC50 (nM) 和 Dmax (%)，将train数据中的DC50 (nM) 和 Dmax (%)删除

train = train.drop(['DC50 (nM)', 'Dmax (%)'], axis=1)

# 3.2 将object类型的数据进行目标编码处理

for col in train.columns[2:]:

    if train[col].dtype == object or test[col].dtype == object:

        train[col] = train[col].isnull()

        test[col] = test[col].isnull()

# 4. 加载决策树模型进行训练

model = LGBMClassifier(verbosity=-1)

model.fit(train.iloc[:, 2:].values, train['Label'])

pred = model.predict(test.iloc[:, 1:].values, )

# 5. 保存结果文件到本地

pd.DataFrame(

    {

        'uuid': test['uuid'],

        'Label': pred

    }

).to_csv('submit.csv', index=None)

Step3：下载 submit.csv 文件

Step4：提交获取分数

官方提供的文档非常详细，可以跟着一步一步来！！！小白也没有问题。

2、尝试个人idea

在本教程中，我们将使用 AutoGluon 来对表格数据进行预处理、建模、预测，并将结果保存为提交文件。我们将分三步进行：数据预处理、模型训练、模型预测与结果保存。

Step1：数据预处理

据预处理是数据科学中非常关键的一步。在这一步，我们将读取数据，删除包含大量缺失值的列，并将数据类型转换为数值类型。

train_data = pd.read_excel('traindata-new.xlsx')

test_data = pd.read_excel('testdata-new.xlsx')

train_data = train_data.drop(['DC50 (nM)', 'Dmax (%)'], axis=1)

drop_cols = []

for f in test_data.columns:

if test_data[f].notnull().sum() < 10:

drop_cols.append(f)

train_data = train_data.drop(drop_cols, axis=1)

test_data = test_data.drop(drop_cols, axis=1)

def preprocess_data(data):

for col in data.columns:

try:

data[col] = pd.to_numeric(data[col], errors='coerce')code>

except Exception as e:

print(f"Error converting column {col}: {e}")

return data

train_data = preprocess_data(train_data)

test_data = preprocess_data(test_data)

上述代码主要是对数据进行处理，分为一下几个方面：

读取数据：通过 pd.read_excel() 方法从 Excel 文件中读取训练数据 (traindata-new.xlsx) 和测试数据 (testdata-new.xlsx)。列删除：从训练数据中删除列 DC50 (nM) 和 Dmax (%)，因为测试数据中不包含这些列。缺失值处理：遍历测试数据中的每一列，统计非空值少于10个的列名并存储在 drop_cols 列表中，然后从训练集和测试集中删除这些列。数据类型转换：定义 preprocess_data 函数，将数据集中的每一列尝试转换为数值类型，无法转换的值将被设置为 NaN。

Step2：模型训练