4. 数据标准化/归一化错误：尺度不一致导致模型不稳定

模型训练完，一看 loss 曲线，震荡得像心电图？验证集上表现时好时坏？

别急着调网络结构，很可能问题出在数据预处理阶段。标准化/归一化没做好，模型就像在悬崖边上开车——稍微有点坡度就翻车了。

说白了，ADMET 数据里各描述符的尺度差异太大了。分子量动辄几百，logP 只有个位数，极性表面积可能几十到几百，电荷相关特征又在 0 到 1 之间。如果你的模型（尤其是深度神经网络和 SVM）直接拿这些数据去训，那大尺度的特征会天然「主导」梯度更新，小尺度的特征直接被淹没。

我个人习惯：拿到数据第一件事，不是看分布，而是先检查每一列的数值范围。这个习惯帮我避免过至少两次大型返工。

4.1 标准化 vs 归一化：别搞混了

很多人把这两个词混着用，其实它们干的活完全不同。

一个常见的坑：训练集和测试集分别做标准化。你想想看，测试集不应该「知道」训练集的均值和方差吗？分别做等于泄漏信息，模型在测试集上会异常好，但到新数据上立刻原形毕露。

4.2 分子描述符范围未对齐：看似小事，后果严重

ADMET 预测里，同一描述符在不同数据集里的取值范围可能完全不同。比如同一个指纹位点，在 Caco-2 渗透性数据和 hERG 抑制数据里的出现频率天差地别。

我在项目中遇到过这种情况：两个团队分别准备了训练集和外部验证集，logP 在训练集里是 -1 到 6，验证集里却到了 9。模型在验证集上一塌糊涂。排查了两天才发现——验证集里含了几个脂溶性极强的化合物，标准化参数根本没覆盖到。

为什么会这样？

• 化学空间偏移：新化合物与训练集的结构差异大，描述符自然对不上。
• 指纹位点定义不一致：不同版本的 Morgan 指纹半径或位点压缩逻辑不同。
• 缺失值处理不当：某个描述符在部分样本里填了 0 或 NaN，导致统计量偏掉。

4.3 代码实例：标准化流程的正确写法

下面是一个常用的 pipeline，注意 fit_transform 和 transform 的使用位置。

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 假设 X 是分子描述符矩阵
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 初始化标准化器
scaler = StandardScaler()

# 关键：只在训练集上 fit
X_train_scaled = scaler.fit_transform(X_train)

# 用训练集的均值和标准差转换测试集
X_test_scaled = scaler.transform(X_test)

# 验证一下
print(f"训练集均值: {X_train_scaled.mean(axis=0)[:5]}")
print(f"训练集标准差: {X_train_scaled.std(axis=0)[:5]}")
print(f"测试集均值（应接近 0）: {X_test_scaled.mean(axis=0)[:5]}")

如果你看到测试集均值明显偏离 0（比如大于 0.1），那大概率是化学空间偏移了。这时候强行标准化只会掩盖问题，建议回头检查数据分布。

4.4 特征尺度的可视化诊断

别全靠眼睛看数字。画个箱线图，一秒就能发现异常。

import matplotlib.pyplot as plt
import pandas as pd

# 假设 raw_df 是原始描述符数据
df_plot = pd.DataFrame({
    'MolWt': raw_df['MolWt'],
    'LogP': raw_df['LogP'],
    'TPSA': raw_df['TPSA'],
    'HBA': raw_df['NumHAcceptors'],
    'HBD': raw_df['NumHDonors']
})

df_plot.boxplot()
plt.xticks(rotation=45)
plt.title('Before Standardization: Feature Scale Disparity')
plt.show()

曾经有一次我在看这个图时，发现 LogP 那列的箱线图顶部飞出去了一个点——分子量 800 多，LogP 居然 12。这种离群点如果用 Min-Max 归一化，会把所有其他值的范围压缩到极窄的区域，模型根本学不到东西。改成 RobustScaler 就解决了一大半。

4.5 知识体系总览

下图的流程，是我自己项目里总结出来的决策路径。每次做预处理前，我都会过一遍这张图，节省了大量试错时间。

4.6 常见错误速查表

下面是我自己整理的「踩坑清单」，每次预处理跑不过就对着查一遍。

4.7 经验总结

标准化这件事，看着简单，但翻车的概率其实很高。我个人遇到过最好笑的一次是，有个团队把训练集的 logP 列手动除以了 10，然后模型收敛了，但结果解释时发现：预测的 logP 值比真实值大了 10 倍。找了半天才发现是预处理代码里写了一个硬编码的除法。

嗯，这事之后我养成了一个习惯：每次做完标准化，随手画一个特征分布对比图，训练集和测试集都画，一对比就什么都清楚了。