Tag: module-m2
-
【AI 核心深度 M2-064】解释特征交互与多项式特征，什么时候需要（Feature Interactions and Polynomial Features: Concepts and Scenarios）深度数理推导与工程落地解析
线性模型无法捕捉交互，需显式构造 x_i·x_j；树模型可自动学习交互。
-
【AI 核心深度 M2-065】时间特征的工程要点有哪些？如何避免泄漏（Key Points in Time Feature Engineering and Preventing Temporal Leakage）深度数理推导与工程落地解析
滞后、滚动统计、周期性编码、时间差；必须保证只用过去信息（滚动窗口右对齐）。
-
【AI 核心深度 M2-066】什么是特征哈希（hashing trick）？它的优缺点（What is the Hashing Trick (Feature Hashing)? Pros and Cons）深度数理推导与工程落地解析
用哈希函数把高基数特征映射到固定维度，省内存、支持流式；代价是哈希冲突。
-
【AI 核心深度 M2-067】比较过滤式、包裹式与嵌入式特征选择（Comparing Filter, Wrapper, and Embedded Feature Selection Methods）深度数理推导与工程落地解析
过滤式按统计量排序（快但忽略模型）；包裹式按模型性能搜索（准但贵）；嵌入式在训练中选（如 L1/树重要度）。
-
【AI 核心深度 M2-068】为什么“去掉无用特征”有时反而降低性能？（Why Can Removing ‘Useless Features’ Sometimes Degrade Model Performance?）深度数理推导与工程落地解析
特征间存在交互与冗余；单看边际重要性会低估协同特征，且删特征可能破坏模型稳定性。
-
【AI 核心深度 M2-045】朴素贝叶斯与逻辑回归的关系是什么？何时各占优。（Contrast Naive Bayes and Logistic Regression as a Generative-Discriminative Model Pair (Ng & Jordan, 2001)）深度数理推导与工程落地解析
NB 生成式（建模联合分布），LR 判别式（直接建模后验）；小样本 NB 占优，大样本 LR 占优。