🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
😲
反直觉在深度学习之前，特征工程是机器学习的核心竞争力——同样的算法，特征做得好就能赢比赛。深度学习的卖点之一就是"自动特征学习"，但在表格数据上，人工特征工程(尤其是XGBoost)依然碾压深度学习。
一句话总结
💡
特征工程通过特征构造、变换、选择和组合，从原始数据中提取更有效的信息表示，是提升模型性能的关键。
常见误区
这些坑别踩
✗
误区 1
特征越多模型效果越好。
✓
正确理解
冗余和无关特征会增加模型复杂度、引入噪声、导致维度灾难，特征选择去除无关特征往往比增加特征更能提升效果。
✗
误区 2
深度学习不需要特征工程。
✓
正确理解
深度学习虽能自动学习特征表示，但仍需要合理的输入设计(如文本分词、图像增强、时序窗口构造)，特征工程对深度学习依然重要。
巩固练习
章节练习与面试准备
通过测试检验学习效果，通过面试题提升实战能力
章末测试
共 4 题 · 选择题
1
关于独热编码（One-Hot Encoding），下列说法错误的是？
2
下列哪种特征选择方法属于过滤法（Filter Method）？
3
关于特征交叉（Feature Crossing），下列说法正确的是？
4
下列关于特征构造的说法，不正确的是？
面试经典题
共 5 题 · 先思考再看答案
1
基础
什么是特征工程？为什么说它对模型性能至关重要？
2
中等
请对比独热编码、标签编码和目标编码的适用场景及优缺点。
3
中等
特征选择有哪几类方法？请分别举例说明。
4
困难
如何处理高基数类别特征（如用户 ID、商品 ID）？
5
中等
请解释特征交叉的作用，并说明在线性模型中为什么特征交叉尤为重要。
💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺