使用Grad-CAM神经网络可视化技术，对微调的Unimol模型预测HOMO能级进行可视化分析，请问这一想法是否合理

[jianing1997]

（1）Grad-CAM，即梯度加权类激活映射 (Gradient-weighted Class Activation Mapping)，是一种用于解释卷积神经网络决策的方法。它通过可视化模型对于给定输入的关注区域来提供洞察。关键思想是将输出类别的梯度（相对于特定卷积层的输出）与该层的输出相乘，然后取平均，得到一个"粗糙"的热力图。这个热力图可以被放大并叠加到原始图像上，以显示模型在分类时最关注的区域（如图1所示）。

（2）我将这一可视化方法用于微调的Unimol模型（预测分子的HOMO能级），得到图2。

（3）但我疑惑的点在于，Grad-CAM技术它通常是用于CNN模型的图像分类模型，是否可以用于回归模型的可解释性分析呢？因此，想向老师和大家请教一下

[jianing1997]

这是colorbar