参考答案
内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 26 天前更新
要点:
- 定义:特征工程是把原始数据转化为「对模型更友好、信息密度更高」的表示的过程,包括清洗、构造、编码、选择等步骤,是连接数据与模型的关键环节。
- 上限论:复杂模型(深度学习/XGBoost)能力接近,最终差距往往来自特征质量——同样算法,好的特征(如把「时间戳」拆出 hour/weekday/是否节假日)能让线性模型逼近树模型效果,反之垃圾特征再深的网络也学不出规律。
- 业务理解驱动:很多强特征来自对业务的洞察(如风控里的「近 1 小时异地登录次数」),不是算法自动能挖到的,需要人参与构造。
- 现实占比:工业界 ML 项目中特征工程常占 60%~80% 工时,是落地成败的关键,而非模型结构。