热点残基很少时，机器学习模型怎样面对类别不平衡

多数类为何主导准确率

围绕“多数类为何主导准确率”的第1个观察角度，热点残基在界面残基中通常属于少数类，若模型把大多数样本都判断为非热点，整体准确率仍可能很好看，因此评价必须同时考虑召回率、特异性、精确率和类别比例，实际处理时，先把对象名称、来源、日期和当前状态写在同一条记录里，这样做看似比直接运行多一步，却能避免团队在结果出现差异后重新猜测输入条件，先从可观察的输入条件开始，再判断模型是否回答了原来的问题，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第2个观察角度，重采样、类别权重与集成学习可以缓解不平衡，却会改变模型的错误结构，选择方法前应先决定漏掉热点和错误标记热点分别会造成什么代价，比较两个结果时，不要从颜色或总分开始，先确认结构、链、参数和模型版本是否一致，再讨论差异是否来自真正的生物学条件，比较应围绕同一基准进行，否则数字差异很可能只是处理流程不同，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第3个观察角度，独立测试集必须与训练资料保持真正隔离，来自相似复合物、同源链或重复突变的样本若跨越数据切分，会让模型表现显得比真实应用更理想，如果资料缺少关键语境，可以保留为探索性线索，但不能把它提升为确定结论，把未知项写出来，会让下一次实验和计算更有方向，异常案例值得保留，因为它能暴露模型训练范围之外的结构类型，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

召回率与特异性之间的选择

围绕“召回率与特异性之间的选择”的第1个观察角度，重采样、类别权重与集成学习可以缓解不平衡，却会改变模型的错误结构，选择方法前应先决定漏掉热点和错误标记热点分别会造成什么代价，如果资料缺少关键语境，可以保留为探索性线索，但不能把它提升为确定结论，把未知项写出来，会让下一次实验和计算更有方向，把结构证据和计算证据分开记录，可以避免一种结果替另一种结果背书，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第2个观察角度，独立测试集必须与训练资料保持真正隔离，来自相似复合物、同源链或重复突变的样本若跨越数据切分，会让模型表现显得比真实应用更理想，跨设备工作最容易丢失的不是大文件，而是小型配置、手工筛选理由和未完成事项，任务记录应让另一位成员在不了解背景时也能继续核对，当结论需要跨设备复用时，文件之外的环境和人工决定同样属于数据，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第3个观察角度，热点残基在界面残基中通常属于少数类，若模型把大多数样本都判断为非热点，整体准确率仍可能很好看，因此评价必须同时考虑召回率、特异性、精确率和类别比例，模型提供的是在特定训练资料与评价方式下的判断，应用到新体系前，应准备固定验证样本，并记录模型在哪些类型上容易发生错误，最终行动应与证据强度相称，探索性结果适合安排验证而不是直接下结论，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

重采样并非没有代价

围绕“重采样并非没有代价”的第1个观察角度，独立测试集必须与训练资料保持真正隔离，来自相似复合物、同源链或重复突变的样本若跨越数据切分，会让模型表现显得比真实应用更理想，模型提供的是在特定训练资料与评价方式下的判断，应用到新体系前，应准备固定验证样本，并记录模型在哪些类型上容易发生错误，比较应围绕同一基准进行，否则数字差异很可能只是处理流程不同，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第2个观察角度，热点残基在界面残基中通常属于少数类，若模型把大多数样本都判断为非热点，整体准确率仍可能很好看，因此评价必须同时考虑召回率、特异性、精确率和类别比例，版本更新之后，应重新运行一个已经理解的基准任务，若结果变化，需要逐项排查输入、环境、参数和依赖，而不是直接把变化解释为模型改善，异常案例值得保留，因为它能暴露模型训练范围之外的结构类型，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第3个观察角度，重采样、类别权重与集成学习可以缓解不平衡，却会改变模型的错误结构，选择方法前应先决定漏掉热点和错误标记热点分别会造成什么代价，实际处理时，先把对象名称、来源、日期和当前状态写在同一条记录里，这样做看似比直接运行多一步，却能避免团队在结果出现差异后重新猜测输入条件，先从可观察的输入条件开始，再判断模型是否回答了原来的问题，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

训练集和独立测试集

围绕“训练集和独立测试集”的第1个观察角度，热点残基在界面残基中通常属于少数类，若模型把大多数样本都判断为非热点，整体准确率仍可能很好看，因此评价必须同时考虑召回率、特异性、精确率和类别比例，实际处理时，先把对象名称、来源、日期和当前状态写在同一条记录里，这样做看似比直接运行多一步，却能避免团队在结果出现差异后重新猜测输入条件，当结论需要跨设备复用时，文件之外的环境和人工决定同样属于数据，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第2个观察角度，重采样、类别权重与集成学习可以缓解不平衡，却会改变模型的错误结构，选择方法前应先决定漏掉热点和错误标记热点分别会造成什么代价，比较两个结果时，不要从颜色或总分开始，先确认结构、链、参数和模型版本是否一致，再讨论差异是否来自真正的生物学条件，最终行动应与证据强度相称，探索性结果适合安排验证而不是直接下结论，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第3个观察角度，独立测试集必须与训练资料保持真正隔离，来自相似复合物、同源链或重复突变的样本若跨越数据切分，会让模型表现显得比真实应用更理想，如果资料缺少关键语境，可以保留为探索性线索，但不能把它提升为确定结论，把未知项写出来，会让下一次实验和计算更有方向，把结构证据和计算证据分开记录，可以避免一种结果替另一种结果背书，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

交叉验证怎样避免泄漏

围绕“交叉验证怎样避免泄漏”的第1个观察角度，重采样、类别权重与集成学习可以缓解不平衡，却会改变模型的错误结构，选择方法前应先决定漏掉热点和错误标记热点分别会造成什么代价，如果资料缺少关键语境，可以保留为探索性线索，但不能把它提升为确定结论，把未知项写出来，会让下一次实验和计算更有方向，异常案例值得保留，因为它能暴露模型训练范围之外的结构类型，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第2个观察角度，独立测试集必须与训练资料保持真正隔离，来自相似复合物、同源链或重复突变的样本若跨越数据切分，会让模型表现显得比真实应用更理想，跨设备工作最容易丢失的不是大文件，而是小型配置、手工筛选理由和未完成事项，任务记录应让另一位成员在不了解背景时也能继续核对，先从可观察的输入条件开始，再判断模型是否回答了原来的问题，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第3个观察角度，热点残基在界面残基中通常属于少数类，若模型把大多数样本都判断为非热点，整体准确率仍可能很好看，因此评价必须同时考虑召回率、特异性、精确率和类别比例，模型提供的是在特定训练资料与评价方式下的判断，应用到新体系前，应准备固定验证样本，并记录模型在哪些类型上容易发生错误，比较应围绕同一基准进行，否则数字差异很可能只是处理流程不同，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

将分数用于候选优先级

围绕“将分数用于候选优先级”的第1个观察角度，独立测试集必须与训练资料保持真正隔离，来自相似复合物、同源链或重复突变的样本若跨越数据切分，会让模型表现显得比真实应用更理想，模型提供的是在特定训练资料与评价方式下的判断，应用到新体系前，应准备固定验证样本，并记录模型在哪些类型上容易发生错误，最终行动应与证据强度相称，探索性结果适合安排验证而不是直接下结论，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第2个观察角度，热点残基在界面残基中通常属于少数类，若模型把大多数样本都判断为非热点，整体准确率仍可能很好看，因此评价必须同时考虑召回率、特异性、精确率和类别比例，版本更新之后，应重新运行一个已经理解的基准任务，若结果变化，需要逐项排查输入、环境、参数和依赖，而不是直接把变化解释为模型改善，把结构证据和计算证据分开记录，可以避免一种结果替另一种结果背书，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

围绕“这一点”的第3个观察角度，重采样、类别权重与集成学习可以缓解不平衡，却会改变模型的错误结构，选择方法前应先决定漏掉热点和错误标记热点分别会造成什么代价，实际处理时，先把对象名称、来源、日期和当前状态写在同一条记录里，这样做看似比直接运行多一步，却能避免团队在结果出现差异后重新猜测输入条件，当结论需要跨设备复用时，文件之外的环境和人工决定同样属于数据，研究者由此可以把模型验证中的输入、机制、比较和适用边界放在同一条论证线上。

模型验证怎样进入长期记录

补充记录1讨论模型验证的长期复核，热点残基在界面残基中通常属于少数类，若模型把大多数样本都判断为非热点，整体准确率仍可能很好看，因此评价必须同时考虑召回率、特异性、精确率和类别比例，如果资料缺少关键语境，可以保留为探索性线索，但不能把它提升为确定结论，把未知项写出来，会让下一次实验和计算更有方向，这项信息应与“这一点”的任务名称、文件版本和责任人保持关联。

补充记录2讨论模型验证的长期复核，重采样、类别权重与集成学习可以缓解不平衡，却会改变模型的错误结构，选择方法前应先决定漏掉热点和错误标记热点分别会造成什么代价，跨设备工作最容易丢失的不是大文件，而是小型配置、手工筛选理由和未完成事项，任务记录应让另一位成员在不了解背景时也能继续核对，这项信息应与“这一点”的任务名称、文件版本和责任人保持关联。

补充记录3讨论模型验证的长期复核，独立测试集必须与训练资料保持真正隔离，来自相似复合物、同源链或重复突变的样本若跨越数据切分，会让模型表现显得比真实应用更理想，模型提供的是在特定训练资料与评价方式下的判断，应用到新体系前，应准备固定验证样本，并记录模型在哪些类型上容易发生错误，这项信息应与“这一点”的任务名称、文件版本和责任人保持关联。

补充记录4讨论模型验证的长期复核，热点残基在界面残基中通常属于少数类，若模型把大多数样本都判断为非热点，整体准确率仍可能很好看，因此评价必须同时考虑召回率、特异性、精确率和类别比例，版本更新之后，应重新运行一个已经理解的基准任务，若结果变化，需要逐项排查输入、环境、参数和依赖，而不是直接把变化解释为模型改善，这项信息应与“这一点”的任务名称、文件版本和责任人保持关联。

补充记录5讨论模型验证的长期复核，重采样、类别权重与集成学习可以缓解不平衡，却会改变模型的错误结构，选择方法前应先决定漏掉热点和错误标记热点分别会造成什么代价，实际处理时，先把对象名称、来源、日期和当前状态写在同一条记录里，这样做看似比直接运行多一步，却能避免团队在结果出现差异后重新猜测输入条件，这项信息应与“这一点”的任务名称、文件版本和责任人保持关联。