分子功能二分类预测：DNN处理不平衡数据的性能优化技术问询

从你的实践来看，你在分子功能二分类任务里针对不平衡数据的处理思路非常务实，尤其是针对DNN的调整确实切中了这类任务的核心痛点。

任务基础信息 #

• 核心任务：基于分子描述符的分子功能二分类预测
• 模型对比：同步测试Random Forest、GLM和DNN三种模型
• 数据挑战：训练集极度不平衡（正例仅占3%，负例占97%），且目标迁移场景的数据集不平衡程度可能更高

DNN优化措施及效果 #

针对DNN的两项关键调整，已经带来了性能的大幅提升：

• 下采样重构训练集：将训练集正负例比例调整为50/50，直接修正了模型天然偏向多数类的问题
• 加权交叉熵损失函数：采用90/10的类别权重，进一步强化模型对少数正例的关注度，避免正例的损失被大量负例淹没
• 性能突破：优化后的DNN在高灵敏度需求的场景下，表现甚至超过了通常在不平衡数据中表现稳健的Random Forest（例如可以补充具体指标，比如召回率从20%提升至85%，或AUC-ROC达到0.92等）

适配更极端不平衡场景的补充建议 #

如果后续要适配不平衡程度更高的迁移数据集，还可以尝试以下方向：

• 结合SMOTE等上采样方法与下采样，避免单纯下采样丢失过多负例中的有效信息
• 替换为Focal Loss，动态降低易分类负例的损失权重，让模型更聚焦于难分类的正例和负例
• 加入**早停（Early Stopping）**机制，监控验证集上的正例召回率，防止模型过拟合少数类而降低泛化能力

内容的提问来源于stack exchange，提问作者Sergej Andrejev