NOAI 2025 复赛第2题 | 特征工程：为什么"懂化学"比"会调参"更重要

特征工程 回归

用NOAI复赛真题，构建孩子的AI知识图谱

每个知识点后续都会单独展开讲解，欢迎先关注收藏

这道题在做什么

一个金属有机化学反应，涉及5个基元反应和8种物质。给你1,000组实验数据（不同初始浓度下，各物质浓度随时间的变化曲线）。你要预测：在新的初始浓度条件下，某种反应物浓度减半需要多长时间（半衰期）。

题目原文直接说了："对化学反应本身分析得越充分，求解越精确。"

知识全景

这道题的关键不在于模型有多复杂，而在于你对数据和问题本身的理解有多深。

① 回归任务

2024年第1题（投篮命中率预测）是分类——输出0或1。这道题是回归——输出一个连续的数值（半衰期，单位是秒）。

分类和回归的区别：

• 分类的输出是类别标签（"是/否""A/B/C"），最终通过Softmax或Sigmoid转换成概率

• 回归的输出是一个实数，可以是任何值（温度、价格、时间……）

回归任务的损失函数通常用均方误差（MSE）：预测值和真实值的差的平方，然后取平均。平方的作用是让大误差受到更重的惩罚。

回归和分类用的模型可以一样（MLP、随机森林、XGBoost等），只是最后一层的输出方式和损失函数不同。

② 化学动力学基础

化学反应的速率取决于反应物的浓度。浓度越高，分子碰撞的机会越多，反应越快。

这道题的5个基元反应，每个都有一个速率常数k。反应速率 = k × 各反应物浓度的乘积。8种物质的浓度随时间变化，变化的规律由一组微分方程描述。

初始浓度和半衰期之间的关系不是简单的线性关系，中间隔了5个基元反应的复杂耦合。直接拿3个初始浓度作为输入训一个模型，很难学到这种复杂关系。

这就是为什么题目说"不建议使用太复杂的模型"——真正的杠杆不在模型，在特征。

③ 特征工程

特征工程是从原始数据中构造出对预测更有帮助的输入变量。

这道题的原始输入只有3个：三种物质的初始浓度。但你可以根据化学知识构造更多特征：

• 浓度的乘积（比如c₁ × c₂）——因为反应速率和浓度乘积有关

• 浓度的比值（比如c₁ / c₂）——因为不同反应物的相对比例影响反应路径

• 浓度的幂次（比如c₃²）——因为某些反应是二级反应，速率和浓度的平方成正比

这些特征不是随便猜的，它们来自对化学反应方程的理解。

比如，如果某个基元反应的速率方程是：

r = k · c(A) · c(B)

那 c(A)×c(B) 就是一个有物理意义的特征——它直接对应这个反应的速率。

特征工程是机器学习中最体现"人的智慧"的环节。模型只能在你给它的特征空间里找规律。如果你给的特征不包含问题的关键信息，再强的模型也无能为力。

④ 半衰期的提取

训练模型之前，需要先从训练数据中提取出半衰期作为标签。

训练数据给的是浓度-时间曲线，半衰期是"某种物质浓度降到初始值一半的时刻"。最直接的做法是在曲线上找到浓度第一次降到c₀/2的位置。

但数据是离散的（每10秒记录一次），直接找最近的点会有误差。更精确的做法是线性插值：在浓度刚好跨过c₀/2的两个相邻数据点之间画一条直线，算出精确的交叉时刻。

这类"从原始数据中提取标签"的工作看似简单，但精度直接影响模型训练的质量。如果标签本身就有±10秒的误差，模型再精确也没有意义。

⑤ 回归模型的选择

原始特征只有3个（加上构造的可能有10个左右），训练样本1,000条。这种"特征少、样本中等"的场景，不需要深度学习——传统机器学习模型往往更合适：

• 随机森林（Random Forest）：多棵决策树投票取平均，不容易过拟合

• 梯度提升树（XGBoost/LightGBM）：逐步修正前一棵树的错误，精度通常更高

• 简单MLP：两三层的小网络，也足够处理这个规模的数据

选模型的原则：数据量小+特征少 → 简单模型。复杂模型（深度CNN、Transformer等）需要大量数据来充分训练，在这道题上反而容易过拟合。

这是机器学习中一个重要的判断：不是最复杂的模型最好，而是和数据规模匹配的模型最好。

⑥ 自定义评分函数

这道题的评分公式很特别：

Score = max(0, 1 - ln(1 + 0.1×|误差|)⁵)

5次方让惩罚在某个临界点附近急剧变化：误差5秒时得分约0.95，误差15秒时得分约0.25，误差超过17秒直接归零。

这种断崖式评分函数意味着：

• 大部分预测只要别太离谱，都能拿到不错的分

• 但只要有几个预测严重偏离，就会把平均分拉到很低

• 防守比进攻重要——与其追求个别预测极度精确，不如确保没有预测严重出错

理解评分函数不只是"做题技巧"。在现实的AI应用中，评估指标的设计直接决定了你应该优化什么。同样一个模型，用MSE评估可能很好，换成MAE或自定义指标可能很差。

⑦ 领域知识 vs 模型复杂度

这道题最深刻的启示是：领域知识可以大幅降低对模型复杂度的需求。

• 不懂化学 → 3个原始特征直接训模型 → 需要很复杂的模型才能捕捉非线性关系 → 效果还不一定好

• 懂化学 → 构造出有物理意义的特征 → 简单模型就能拟合 → 效果更好，还更稳定

这不是这道题特有的规律。在所有AI应用中，领域知识都能起到类似的作用：

• 医学AI：懂病理的人能设计更好的特征

• 金融AI：懂市场的人能构造更有效的因子

• 自动驾驶：懂物理的人能为规划模块提供更合理的先验

NOAI竞赛的"AI + 学科"定位，正是在考查这种跨领域的综合能力。

这道题的核心不是AI技术，而是从领域知识到特征设计的翻译能力。三个原始特征做不到的事情，加上化学知识构造的特征就能做到——这就是特征工程的力量。