add 1dqsar

1d-qsar/cuda/README.md

@@ -0,0 +1,31 @@
+## 优化 GPU 版本的方法
+
+[安装方法](https://docs.rapids.ai/install/?_gl=1*1q2wl26*_ga*MjA2OTk3MDkzNS4xNzQwODI1MzUx*_ga_RKXFW6CM42*MTc0MDgyNTM1MC4xLjAuMTc0MDgyNTM1MC42MC4wLjA.#selector)
+
+
+```shell
+micromamba create -n rapids_env -y
+micromamba activate rapids_env
+
+micromamba create -n rapids-25.02 -c rapidsai -c conda-forge -c nvidia  \
+    rapids=25.02 python=3.12 'cuda-version>=12.0,<=12.8'
+
+d
+micromamba create -n rapids-25.02 -c rapidsai -c conda-forge -c nvidia  \
+    rapids=25.02 python=3.12 'cuda-version>=12.0,<=12.8' \
+    'pytorch=*=*cuda*' jupyterlab
+
+```
+
+### 方法 1：使用 RAPIDS cuML 替代 scikit-learn
+
+RAPIDS cuML 提供了与 scikit-learn 兼容的 GPU 版本的 RandomForestRegressor，可以大幅提升计算速度：
+
+
+## 方法 2：使用 XGBoost 进行特征选择
+
+XGBoost 支持 GPU 训练，我们可以使用 XGBRegressor 替换 RandomForestRegressor 进行特征选择
+
+## 方法 3：使用 Optuna 进行特征选择优化
+
+Optuna 是一个自动超参数优化库，可以在 GPU 上搜索最佳特征子集：