Credit card churn model 不能用Lasso 或者linear model?

erince 发表于 2019-5-29 04:06
不算。
有可能这次train的model，系数A是0，下次retrain，系数A不一定为0

如果每次train lasso的时候系数为0的predictor还有可能不一样，这么不稳定的model怎么用，以后也没法解释啊，今天这个不重要，明天有重要了，sample都没怎么变，则么解释？

tianjiayangmike 发表于 2019-5-29 04:35
我是**= =还没进入工业界
不过我作过的数据竞赛经历里，基本没人用L1特征选择
其次，在上次面试的时候 ...

请问哪他们用什么方法做点击率预估的特征选择？

zhichengguo 发表于 2019-5-30 10:05
请问哪他们用什么方法做点击率预估的特征选择？

他们的答案是 不做...

tianjiayangmike 发表于 2019-5-30 11:19
他们的答案是 不做...

不做feature selection那怎么跟internal client or external client解释哪个predictor重要？我能猜到的全放到model里train, 具体哪个predictor更重要没人care？那样的话没法改进产品啊

zhichengguo 发表于 2019/05/30 11:23:07


不做feature selection那怎么跟internal client or external client解释哪个predictor重要？我能猜到的全放到model里train, 具体哪个...

点击率预估是一个很大很广的问题，涉及步骤包括但不限于匹配 > 召回 > 海选 > 粗排 > 精排 > 策略调控，每一步都有算法落地，对解释性和精确性的要求也各不一样，还有E&E问题，都是大坑

我觉得面试官以为楼主在做完lasso之后没有像logistic regression一样把负无穷到正无穷的output做transform成logistic output吧。
不同意有的回答里说lasso不能做feature selection。可以做，只是可能效果没那么好。ridge才是不能做。
如果楼主在当时强调做完lasso以后还会再classify可能结果会不一样吧，猜测。

如果题目没明说要做feature selection，对于这种binary classification，logistic regression是很好的baseline。
如果题目说要做feature selection，SVM with L1 penalty可以吧，其他还有那么多tree-based model可以选，直接用.feature_importances_很容易select feature啊，我会祭出xgboost神器。

这个不是分类问题吗？如果单纯回答线性模型是没问题的，因为logistic regression/svm都是线性模型，而且已经被用于解决这类credit card问题了。lz是不是回答成线性回归了（因为logistic regression一般不说lasso ridge），线性回归是不适合（虽然也可以）用于分类问题的，因为预测结果会出现概率大于1的情况。

tianjiayangmike 发表于 2019-5-28 04:39
一般不会用L1做特征选择的，一般都是需要稀疏解 压缩模型的时候用L1
关于L1，楼主可以想一个场景 假设特征 ...

层主， 这个问题“关于L1，楼主可以想一个场景 假设特征1号和特征2号几乎一模一样，并且对模型有很高重要性，那么过了一遍L1后，二者的情况会是怎么样的” 的思路是什么呀，**求教。。。