课程介绍与目标：为什么我们要聊AUC和F1

大家好，我是你们这门课的老朋友。在药物研发这个行当里摸爬滚打了好些年，我见过太多项目因为评估指标选错而翻车的情况。你想想看，一个药物节点分类模型，你用准确率去衡量，结果看起来99%的准确率，其实全是负样本，模型一个正样本都没认出来。所以说白了，AUC和F1这两个指标，才是我们真正该盯住的。

这门课就叫《药物节点分类AUC与F1评估方法》。听起来有点硬核？别担心，我会带着你一步步拆解清楚。

课程目标：我们到底要解决什么问题

这门课的核心目标就一个：帮你掌握药物节点分类任务中，AUC和F1的正确使用方法。 我在项目里踩过不少坑，比如某个药物靶点预测模型，ROC曲线画出来漂亮得很，AUC高达0.95，大家都很兴奋。结果一上测试集，F1只有0.3。为什么会这样？因为样本极度不平衡，AUC被高估了。这种坑，我后来再也没踩过。

具体来说，学完这门课，你能做到这几件事：

• 分清AUC和F1各自在药物节点分类里的适用场景
• 知道什么时候该用AUC，什么时候该盯F1
• 能手动计算并解读AUC和F1的数值含义
• 学会处理药物数据中常见的类别不平衡问题
• 掌握在Python中快速计算这两个指标的代码实现

适用人群：这门课适合谁

嗯，这里要说明白。这门课不是给刚入行的小白准备的，但也不是只有专家才能听。我个人觉得，以下三类人最适合：

人群	背景要求	能解决什么问题
药物信息学研究人员	熟悉药物分子结构，了解基本分类任务	评估你的药物靶点预测模型到底行不行
机器学习工程师	有分类模型实战经验，会Python	在药物场景下正确选择评估指标，避免误判
结构化学或生物信息学学生	学过基础机器学习，知道什么是分类	把理论评估方法真正落地到药物数据上

学习路径：我们怎么走完这30章

整个课程分成四个阶段，每个阶段解决一个核心问题。我建议你别跳着看，因为很多关键概念是从第一课开始层层递进的。

1. 基础篇（第1-8章）：搞懂AUC和F1的定义、计算方式、以及它们为什么适用于药物节点分类。
2. 实战篇（第9-18章）：在真实的药物分子数据集上，跑通从特征工程到模型评估的完整流程。
3. 进阶篇（第19-25章）：处理类别不平衡、多分类场景、以及模型校准等进阶问题。
4. 综合篇（第26-30章）：通过三个完整的药物节点分类项目，巩固你的评估能力。

我个人习惯在每一章结尾，都复盘一下这一章的核心结论。这样可以帮你快速抓住重点。

预期收获：学完之后你能带走什么

这门课不是听完就忘的那种。你想想看，我们花了30章的时间，就是为了让你走出课堂后，能真正上手干活。

• 一个扎实的评估工具箱：包含AUC、F1、精确率、召回率、以及它们之间的组合用法。
• 至少3个可复用的代码模板：覆盖二分类、多分类、以及不平衡药物数据的评估脚本。
• 避坑经验：我曾经因为用了错误的评估指标，导致项目延期一个月。这些教训我会在课程中全部分享出来。

知识体系框架：一张图看清全貌

下面这张图，概括了我们这30章要讲的核心逻辑。我建议你先扫一眼，别纠结细节，后面每一章都会展开。