M2-065M2: 经典机器学习特征工程Medium
⚡闪卡盲测➔掌握度:
时间特征的工程要点有哪些?如何避免泄漏
🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
📐 核心数学机理公式
⚡ 一句话直击要害答案
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)。
📌 核心要点提炼
- •sin/cos 编码周期避免边界跳变
- •时间序列 CV 必须按时间切分
📐 数学机理与严密推导
四类时间特征:① 时间戳分解——年/月/日/时/星期/是否节假日;注意星期与月份的周期性编码(用 sin(2πk/7)、cos(2πk/7) 而非 0–6 的整数,避免'周日与周一距离最大'的假象);② 滞后特征(lag)——过去 k 期的值(y_{t−1}, y_{t−2}…),捕捉自相关;③ 滚动统计——过去 w 期的均值/标准差/最大最小/趋势斜率,捕捉局部动态;④ 时间差特征——距上次事件的时间、事件频率、累积计数。泄漏的防范:核心原则是在时刻 t 只能用 t 之前(不含 t)的信息。具体做法:滚动窗口用
x[t-w:t](右开区间,不含 t)而非 x[t-w+1:t+1](含 t,泄漏);预测目标若是由 t 时刻信息决定的(如 t 时刻的转化),则特征必须严格早于该时点。🏭 深度剖析与工业落地权衡
实践要点:① 最常见的泄漏写法——
df.rolling(w).mean() 后再 shift(-1) 或直接对齐到当前行;正确做法是 df.shift(1).rolling(w).mean()(先滞后再滚动)或明确用右开区间。② 时间序列 CV——必须用前向链式 CV(训练集只含验证集之前的时间),随机 K 折会用到未来信息导致严重乐观偏差;同理,特征标准化/分箱等预处理也必须只在训练时段拟合。③ 周期性编码的选择——sin/cos 编码保留周期循环性;对非周期的时间(如'距项目开始的天数')用原始数值即可。④ 节假日与事件——节假日、促销日、系统变更等外生事件对时间序列影响巨大,应显式建模(二值标记或事件类别特征)。⑤ 多序列与面板数据——若数据含多个实体(用户/商品),滚动特征需按实体分组计算(groupby 后再 rolling),且注意实体的生命周期(新实体无历史);这是实践中极易出错的点。⚠️ 常见面试陷阱与高频失分点
- ✕用含当前时刻的滚动窗口(数据泄漏)
- ✕对时间序列用随机 K 折做交叉验证
🎯 面试官连环追问与延伸考察
- ?为什么用 sin/cos 编码小时?
- ?滚动窗口常见的泄漏写法是什么?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!