概览
ChemML 是面向化学与材料研究的机器学习和信息学工具包。它支持分析、数据挖掘和建模，而不是提供单一的预训练预测器。README 描述了其模块化、面向对象的 Python 设计，以及类似 Scikit-learn 的库形式，并将其定位为研究人员构建数据工作流的组成部分。
其声明的输入是化学与材料数据。来源摘录没有说明支持哪些分子表示、文件格式、目标属性模式或具体输出结构。摘录提及图卷积神经网络、可解释 AI、自动模型优化、AutoML、Jupyter 图形界面，以及 Magpie 描述符库的移植版本。这些内容说明了功能涉及的领域，但不代表详细的 API 行为或已展示的预测准确度。
ChemML 使用科学计算 Python 库和领域专用库。软件包元数据列出的依赖项包括 RDKit、mordred、TensorFlow、scikit-learn、SHAP 和 LIME。README 建议使用 Anaconda 环境，并另行指引用户根据操作系统和 GPU 配置安装 PyTorch。README 还列出了 Jupyter 封装器和 AutoML 筛选的可选依赖项，因此设置要求可能因预期工作流而异。
仓库代码采用 BSD 3-Clause 许可证。摘录没有说明捆绑数据集或模型权重是否适用单独条款，也没有提供基准测试结果或经过验证的平台兼容性。评估 ChemML 的研究人员应查阅其链接的文档，了解特定任务的输入和输出，并使用有代表性的数据评估所选工作流。
主要功能
- 用于化学与材料数据分析、挖掘和建模的 Python 程序套件。
- 模块化、面向对象的库设计，接口风格据称类似 Scikit-learn。
- README 的贡献者介绍中提及图卷积神经网络和可解释 AI 功能。
- AutoML 筛选和自动模型优化；xgboost 和 lightgbm 列为由用户另行安装的可选依赖项。
- 支持 Jupyter GUI 和封装器；python-graphviz 列为封装器的可选依赖项。
- 移植版 Magpie 描述符库；相关查找数据包含在软件包数据配置中。
使用场景
- 预期评估：在检查所支持的表示形式和目标处理方式后，使用有代表性的化学数据集，评估 ChemML 是否适用于分子性质预测工具包。
- 预期评估：在确认文档所述的描述符输入后，探索在材料数据建模工作流中使用基于 Magpie 的描述符。
- 预期评估：针对化学建模任务探索 AutoML 筛选或自动模型优化，并使用预先定义的验证方案比较候选模型。
- 预期评估：对于重视模型解释的研究工作流，考察图卷积神经网络和可解释性功能。
使用方式
- 从 ChemML 文档入手，找出相关工作流，并确认其预期输入、输出和 API。来源摘录未定义这些细节。
- 选择修订版本前，请查阅发布历史和变更日志；此处未确定任何特定版本。
- 遵循仓库 README中的环境和安装指南。README 建议使用 Anaconda，并包含 Open Babel 的设置说明。根据操作系统和 GPU 的具体情况，参阅链接的 PyTorch 安装指南进行选择。
- 确认所选工作流需要哪些可选依赖项。README 将 python-graphviz 列为 Jupyter 封装器的依赖项，将 xgboost 或 lightgbm 列为 AutoML 筛选的依赖项；它们与主软件包依赖项分开。
- 作为预期评估，可在小型、有代表性的数据集上运行有文档说明的工作流，检查输出，并记录环境和验证方法。请将仓库代码许可证与任何数据集或模型条款分开查阅。