基于随机森林的卡西酮类物质的相似度预测分类模型构建与应用

　　

本研究旨在通过机器学习模型分析卡西酮类新型精神活性物质的特征并进行相似性预测，以支持毒品检测与分类预测。首先，采集了2840组卡西酮类物质的化学特征数据，并进行了预处理。随后，选择了四种机器学习分类模型进行训练，并通过相关参数分别是“ Accuracy”、“Precision”、“Recall”、“F1 Score”进行模型比较最终选择随机森林模型。通过优化模型，提升了预测准确度，并验证了未知新样本。结果表明，随机森林模型在分类预测中表现最佳，其预测准确度和相似度分别为98.32%，75.32%，0.11%，1.32%。通过欧几里得距离分析，新缴获的样本分别为甲卡西酮，4-氯甲卡西酮。研究表明，随机森林模型在卡西酮类物质的相似性分析中具有卓越的分类能力和泛化性能，为禁毒领域的新型毒品鉴定提供了技术支持。

订阅方式：
①在线订阅（推荐）：www.sdchem.net.cn
②邮局订阅：邮发代号24-109

投稿方式：
①在线投稿（推荐）：www.sdchem.net.cn
　　作者只需要简单注册获得用户名和密码后，就可随时进行投稿、查稿，全程跟踪稿件的发表过程，使您的论文发表更加方便、快捷、透明、高效。
②邮箱投稿：sdhgtg@163.com sdhg@sdchem.net
　　若“在线投稿”不成功，可使用邮箱投稿，投稿邮件主题：第一作者名字/稿件题目。
投稿时请注意以下事项：
　　①文前应有中英文“题目”、“作者姓名”、“单位”、“邮编”、“摘要”、“关键词”；
　　②作者简介包括：姓名、出生年、性别、民族、籍贯或出生地、工作单位、职务或职称、学位、研究方向；
　　③论文末应附“参考文献”，执行国标GB/T7714-2005标准，“参考文献”序号应与论文中出现的顺序相符；
　　④注明作者的联系方式，包括电话、E-mail、详细的通讯地址、邮编，以便联系并邮寄杂志。
　　 　                                                                                   山东化工稿件修改细则