1. F1 指标概述与课程目标

说起药物关系预测，很多人上手就跑到模型搭建上去了。

模型跑完，拿着一堆数字发懵，不知道该怎么评估。

我个人习惯，在做任何分类任务之前，先把评估指标想清楚。尤其是 F1，它几乎贯穿了整个药物关系预测的评估环节。

为什么需要 F1？

先问你一个问题：如果我们预测两种药物之间有没有相互作用，数据里 95% 都是“无关”样本，只有 5% 是“有关”。

这时候你写个模型，只管输出“无关”，准确率直接 95%。

看着挺高对吧？但对真正有用的那 5%，你一个都没抓住。

这其实就是 数据不平衡 带来的陷阱。

我在项目中遇到过好几次类似的情况。第一次做药物相互作用预测时，我拿到一个公开数据集，好家伙，正负样本比例接近 1:10。我当时只看了准确率，觉得模型不错，结果后来一查召回率，惨不忍睹。

从那以后，我就养成了习惯：用 F1 来压舱。

F1 到底是什么？

F1 说白了就是 精确率（Precision） 和 召回率（Recall） 的调和平均。

你想想看：精确率管的是“我预测为正的那些，有多大比例是对的”；召回率管的是“真正的正样本里，我抓出来了多少”。

单独看哪一个都有偏颇，F1 把它们揉在一起，给你一个相对均衡的判断。

公式写出来很简单：

F1 = 2 * (Precision * Recall) / (Precision + Recall)

嗯，这里要注意，调和平均数对极端值很敏感。如果精确率或召回率有一个特别低，F1 就会掉得很难看。

换句话说，你只能在两个指标上同时表现好，F1 才好看。耍不了小聪明。

课程目标，我们来拆一下

这门课一共 30 章，我把内容捋成了三个层次，你大概有个数：

层次	包含章节	核心任务
基础篇	第 1-8 章	搞清楚 F1 到底怎么算的，混淆矩阵、精确率、召回率，以及它们为什么在药物领域容易变样
实战篇	第 9-22 章	用真实数据集的例子，跑通 F1 的计算流程，处理多分类、阈值选择、置信度校准这些实际坑
进阶篇	第 23-30 章	多标签预测下的 F1 变体、跨数据集评估、统计显著性检验——让你能拿 F1 去发论文或做竞品分析

每一章我尽量都会带上我在 DrugBank 和 DDInter 数据集上踩过的坑。

有些经验你可能在其他地方看不到，比如为什么有些论文里 F1 看着很高，但在你的数据上一跑就现原形。

一个简单的 F1 计算例子

我们先别急着上框架，先用手动算一次。

假设你的模型对一批药物对做了预测，得到了下面这个混淆矩阵：

	实际为正	实际为负
预测为正	80 (TP)	20 (FP)
预测为负	10 (FN)	890 (TN)

精确率 = 80 / (80+20) = 0.8

召回率 = 80 / (80+10) ≈ 0.889

F1 = 2 * 0.8 * 0.889 / (0.8+0.889) ≈ 0.842

看着还不错，0.842。如果我只看准确率呢？

准确率 = (80+890)/1000 = 0.97

0.97 比 0.842 漂亮多了吧？但刚才说过，这里负样本占了 891 条，模型在正样本上的表现其实没那么神。

F1 把这个水分挤掉了。我建议你以后报告指标时，把 F1、精确率、召回率都亮出来，不要只扔一个准确率。

为什么我选择把这个流程画成图

为了让你在进入后面章节之前有个整体框架，下面这张 SVG 图展示了 F1 在药物关系预测评估中的核心地位，以及它跟其他要素的连接关系。

一个容易踩的坑

我曾经被一个新手同事问过：“F1 是不是越高越好？”

嗯，理论上是的。但这里有个细节：F1 和阈值强相关。同一套模型，你把判断为正类的概率阈值从 0.5 改成 0.3，F1 可能会有明显变化。

你想想看，阈值降低后，召回率通常上升，但精确率会下降。F1 能否提升，要看两者变化的幅度。

课前的心理准备

这门课不会一股脑丢给你一堆数学公式，然后让你自己琢磨。

我的做法是：每章的代码和例子，你都能在自己电脑上跑一遍。

我会用 Python 和 scikit-learn 做演示，偶尔会用到一些自定义函数，但都是你能看懂的那种。

还有一点——我提到的“药物关系预测”泛指所有判断药物之间是否具有某种关系（相互作用、副作用、协同作用等）的二分类或多标签任务。如果你研究的领域不同，但也是不平衡分类，大部分内容可以直接迁移过来。