跳到正文
🏠 总目录📚 本教程 00 · 怎么用这份教程 →

科学问题怎么变成模型 · 阅读指南

手上的科学问题,该从哪一章开始?

标签少、坐标随朝向变化,或指标好得可疑——先用原有的问题路线表定位,而不是先选模型。

读完可以选一条已有路线,并核对数据、对称性、评测与实验预算的适用条件。

📑 本页目录(点开跳转)

00 · 怎么用这份教程

⏱ 12 分钟 | ⭐ 其他板块教你从数据里学,这一套教你在【数据很贵】的时候怎么办


🎯 一句话

这套教程讲的是:当一条标签意味着一次真实的实验时,机器学习要怎么改。 不是讲生物学,也不是讲某个具体模型 —— ⭐ 讲的是科学问题变成建模问题的那一步,以及那一步上四个反直觉的地方。


🧭 一、你现在的问题是哪一个

⭐ 按你手上的问题进,不要按技术名词进。 每条路线都从站内真实存在的页开始:

你现在的问题 第一站 最短能走通的路线
⭐ 只是想知道这和普通 ML 差在哪 01 · 第一天 01 → 07;先观察一个例子,再核对评测目标
我的数据只有几十条 06 · 小数据这一关 06 → 07 → 08,可分次完成
我的模型指标好得可疑 07 · 评测的坑 ⚠️ 先读这一章,别先调模型
我要处理序列数据 02 · 序列不是文本 02 → 03 → 06
我在做分子/结构相关的东西 04 · 从序列到结构 04 → 05
实验做完了,下一批做什么 08 · 飞轮 08(可先补 06)

如果指标看起来过好,先读 07 · 评测,判断测试集是否对应真实使用场景;不是所有随机划分都错。


📚 二、八章各讲什么

章 一句话 什么时候需要它
01 · 第一天 比较一列领域特征与增加样本,在本例中各带来什么 ⭐ 入门,也是全板块的钩子
02 · 序列不是文本 五条来自 NLP 的直觉,逐条要改 你要处理序列
03 · 蛋白质语言模型 序列表示可能包含结构信息,但相关不直接等于接触 你想用预训练表示
04 · 从序列到结构 坐标、距离与对齐各表达什么,保留哪些信息 你的输出是几何对象
05 · 等变与不变 比较数据增强、不变特征与等变结构的条件 同上,另一条路
06 · 小数据这一关 冻结 + 小头,让无标注数据出力 ⭐ 标签只有几十条
07 · 评测的坑 先明确要预测相似样本,还是未见过的家族 准备报告结果时
08 · 飞轮 挑候选不是挑分数最高的 你能去做新实验

外加 附录A · 速查:所有实测数字和判据集中在一页,查表用。


🔬 三、这个板块的四条主张

这四个问题贯穿正文。实验展示一种条件下的现象,不把一次结果推广成普遍定律。

① 领域特征或预训练表示,在这份数据上有没有帮助?

01比较 one-hot 与加入疏水性特征;06比较 one-hot 与无标签数据学到的 PCA 表示。它们是可复跑的合成实验,不是真实蛋白预训练成绩。

小数据下的提升不意味着“先验能固定兑换成几倍数据”,也不能从短曲线判定上限永远不变。

② 你的输出允许旋转、平移或镜像吗?

04区分坐标框架、距离与对齐;05对照增强与结构约束。

坐标预测本身没有错。问题是损失是否把允许的刚体变化也当成错误;距离表示还可能无法区分镜像。增强、不变特征、等变网络可以按目标选择或组合。

③ 测试集代表将来哪一种使用场景?

07的合成数据中,随机划分得到 R² 0.707,按家族划分得到 −1.199。它们回答的是不同泛化问题。

如果上线要预测未见家族,训练测试间的近亲重叠会让评估偏乐观;如果目标就是同一总体中的新样本,不能不看任务就禁止随机划分。负 R² 表示本次预测比“使用这份测试集的目标均值”这个数学参照更差。

④ 下一批实验怎么选,也需要评估

08中,8 个种子、每次 25 轮预算内,贪心 2/8 成功,UCB 8/8 成功。“成功”指新点进入网格最优点 0.15 邻域,不是精确命中连续全局最优。

这个结果支持继续比较探索策略,不保证 UCB 在别的问题上全胜。实验失败也必须计入比较。


🚧 四、这份教程刻意不讲什么

⚠️ 写清楚边界,比多写两章有用。

不讲 为什么
生物学本身 本页以建模为主,不能代替生物学、实验设计或领域专家的判断
具体模型的榜单成绩 模型与榜单会变化;选用具体模型时重新核对评测任务与版本
具体软件的用法 同上。讲的是形状不是 API
神经网络基础 站内已有更好的:机器学习与深度学习基础

这里优先解释相对稳定的判断方法:怎么把一个科学问题变成一个建模问题, 以及那一步上会踩的坑。


🧱 五、需要什么基础

必需的很少:会 numpy,知道什么是训练集测试集、什么是过拟合。 本模块用小规模 NumPy 实验解释机制,不要求 GPU。实验的输入、import 与运行条件在相邻代码处核对;合成实验不代替真实生物数据验证。

不确定的话,这两章补一下就够:

补什么 去哪
线性回归、正则化(书里到处在用岭回归) 机器学习与深度学习基础 03 · 线性模型
训练/测试划分、过拟合、交叉验证 机器学习与深度学习基础 05 · 评估与过拟合

划分方式要对应预测目标;不能把随机划分当成唯一默认,也不能一律判错。具体例子见 07。


🔗 这一章连到哪里

去哪 为什么
数据这一关 14 · 数据泄漏的七种来源 本板块 07 章与分组泄漏共享机制;科学数据有时已有家族标签,有时需要按相似度定义组
数据这一关 12 · 标注预算与主动学习 08 章飞轮的近亲:那边候选池给定,这边样本是你造出来的
强化学习基础 07 · 探索与利用 比较探索与利用;08 使用高斯过程的 UCB,和多臂老虎机的具体置信项不同
机器学习与深度学习基础 ⭐ 承重墙。这个板块假定你会那里前几章的内容

✅ 检查点

  1. 小数据下加一列特征有效,能推出以后都等于增加一倍数据吗?
  2. 预测三维坐标本身有什么错吗?应先核对什么?
  3. 什么时候应该按家族分组,而不是只用随机划分?
  4. UCB 在 8 个种子中全成功,能保证新任务也成功吗?
  5. 想运行实验,需要哪些基础?
👀 答案
  1. 不能。收益依赖数据、模型、特征与样本量;要看学习曲线及重复实验。
  2. 没有天然错误。要核对坐标框架、允许的变换、对齐和损失;距离也有镜像等信息边界。
  3. 目标是预测未见家族时,验证与测试应体现这种分离;同总体新样本是另一目标。
  4. 不能。这里只覆盖合成问题、8 个种子与 25 轮预算;还要报告成功定义和失败情况。
  5. 会 NumPy,理解训练/验证/测试和过拟合。正文小实验不要求 GPU;具体依赖以代码的 import 和运行说明为准。

本节回顾

⭐ 读完这一页你该做的就一件事:回到第一节那张表,挑一行,点进去。

⚡ 走神救援

先记住这几件事

  • 科学数据常由昂贵实验产生,先明确要支持什么判断或下一次实验。
  • 按序列、结构、小数据或评测问题选择入口,不必先顺读所有章节。
  • 先检查数据独立性、对称性和评估方式,再决定是否增加模型复杂度。

下一节 👉 01-第一天.md

打卡记录保存在你的浏览器里,首页能看到总进度