AI分子预测夏令营学习笔记

一、直播概览

主持人介绍

• 姓名：徐翼萌
• 角色：DataWhale助教
• 活动目的：分享机器学习赛事经验，提升参赛者在分子预测领域的能力

嘉宾介绍

• 姓名：余老师
• 背景：Data成员，腾讯广告算法大赛冠军，著有《机器学习算法竞赛实战》

二、技术分享要点

数据预处理

• 数据清洗：包括处理缺失值、异常值和重复数据。缺失值可以通过均值、中位数填充，或使用预测模型预测缺失值。异常值可以通过箱型图等方法识别并处理。
• 数据标准化：对数据进行标准化或归一化处理，以消除不同量纲的影响。
• 探索性数据分析（EDA）：使用统计图表来分析数据分布、中心趋势和分散程度。

特征工程

• 特征提取：从原始数据中提取有助于模型理解的特征，例如从化学结构中提取分子描述符。
• 特征选择：使用过滤法、包装法或嵌入法选择最有信息量的特征。
• 特征转换：
  • 连续特征：可能需要进行对数转换或Box-Cox转换来稳定方差。
  • 类别特征：使用独热编码转换为虚拟变量，注意处理“一位有效”问题。

模型选择与训练

• 模型比较：评估不同模型的性能，包括但不限于决策树、随机森林、梯度提升机、支持向量机等。
• 超参数调优：使用交叉验证和自动化调参技术（如Hyperopt或Optuna）来找到最优的超参数组合。
• 模型正则化：使用L1或L2正则化防止模型过拟合。

预测与评估

• 性能指标：
  • 准确率、召回率和F1分数：评估模型在不同类别上的表现。
  • ROC曲线和AUC：评估模型在不同阈值下的性能。
• 混淆矩阵：直观展示模型预测与实际标签之间的关系。
• 误差分析：分析模型预测错误的案例，找出潜在原因。

模型融合

• Bagging：通过自助采样和模型平均来减少方差。
• Boosting：通过关注被之前模型错误分类的样本来减少偏差。
• Stacking：结合多个模型的预测结果进行最终预测。

附加学习内容

• TF-IDF深入：理解TF-IDF的计算原理，如何影响文本特征的处理。
• 高级文本处理：学习词嵌入（Word Embedding）和主题建模（如LDA）等高级文本分析技术。
• CatBoost特性：探索CatBoost如何处理缺失值和类别特征，以及其在处理大数据集时的优势。

交叉验证方法

• K-Fold：将数据集平均分成K份，轮流使用其中一份作为验证集。
• Stratified K-Fold：在K-Fold的基础上，保持每个折叠中各类别的比例相同。
• Time Series Cross-Validation：特别适用于时间序列数据，保持数据的时间顺序。

处理类别不平衡

• 重采样：通过过采样少数类或欠采样多数类来平衡类别。
• 合成样本生成：使用SMOTE等技术生成新的合成样本。
• 阈值调整：根据类别分布调整分类阈值。

实用技巧

• 特征重要性评估：使用特征重要性图来识别关键特征。
• 模型解释性：使用SHAP、LIME等工具来解释模型预测。
• 代码优化：编写清晰、高效的代码，使用向量化操作代替循环。

实践建议

• 代码版本控制：使用Git等工具管理代码版本。
• 实验跟踪：使用MLflow或TensorBoard记录实验过程和结果。
• 结果可视化：使用Matplotlib、Seaborn等库创建直观的图表来展示结果

三、QA环节要点

• 讨论生成数据的局限性和对现有数据的有效利用。
• 指导如何查询比赛成绩和排名，根据反馈优化模型。

四、结束语与感悟

• 主持人徐翼萌对余老师的分享表示感谢，强调了学习活动的价值。
• 个人感悟：通过学习，对机器学习在分子预测领域的应用有了更深入的理解。

五、后续行动计划

• 独立完成代码实践，加深对理论知识的理解。
• 参与DataWhale的后续活动，获得更多实践经验。
• 持续跟踪最新的机器学习技术和研究进展。

六、备注

• 记录直播中遇到的理解难点，计划通过查阅资料或参与讨论来解决。
• 收集直播中提及的资源链接，如相关论文、工具库和学习材料。