训练一个 CART 二分类树，10 万样本、30 个特征，其中一个是“用户 ID”，有 5 万个不同取值。你不加任何限制直接训练，训练集准确率 0.99、验证集 0.71。把 max_depth 限制到 6 之后，用户 ID 仍然出现在根节点附近。请解释原因，并给出你处理这个特征的方案。
面试官在考什么
考察是否理解树模型对高基数特征的偏好机制，以及能否把“ID 类特征”正确转化为可用特征而不造成标签泄漏。
回答框架 · 前两步
- 原因是 CART 对多取值特征有系统性偏好：5 万个取值意味着每次二分有近 5 万个候选分裂点，候选越多越容易在训练集上找到一个让不纯度大幅下降的切分，这是多重比较带来的过拟合，即便用 Gini 而不是信息增益也一样。
- 限制深度只能缓解不能根治：根节点附近已经按身份把样本切开了，后面再浅也没用，泛化必然差。
还有 3 条答案要点、 3 层追问、 4 个常见坑， 以及针对你简历的追问路径，在定制报告里。
延伸阅读
想看这个方向的整体准备路线？ 进入「机器学习基础」方向页
同一能力域的其他题
- GBDT 和 XGBoost 的关系是什么？XGBoost 相比 GBDT 做了哪些工程与数学上的改进？
- 特征重要性你一般怎么看？树模型的 gain 重要性和 permutation importance 各有什么局限？
- 你在做一个点击率预估模型，训练集 2000 万条，真实正样本率是 1%。你用带截距的逻辑回归训练完之后，验证集 AUC=0.78（看起来正常），但把验证集上的预测概率求平均得到 0.29。请说出你会按什么顺序排查，每一步的判据是什么。
- 某推荐场景有 3 亿条训练样本、2 万维特征（约 95% 的取值为 0，以稀疏 one-hot 为主）。业务要求：全量重训能在 2 小时内跑完，线上单次预测 p99 < 10ms，资源只有 CPU 集群、没有 GPU。现在有三个方案：(A) 逻辑回归 + FTRL 在线学习，边服务边更新；(B) 逻辑回归 + L-BFGS 离线全量重训，每天一次；(C) 直接换成 2 层 MLP。请给出你的选型，并说清楚在什么监控信号出现时你会推翻它。
- 线上一个 LR 二分类模型，每天全量重训，离线训练 AUC 稳定在 0.790，但近 7 天线上 AUC 从 0.780 单调掉到 0.762；模型容量、特征列表、样本量都没有改动。PM 要求本周内把模型换成 XGBoost 来提效果。你作为模型负责人，第一周会做什么？请给出你的归因顺序和判断依据。
- 一个 5 万样本、50 维的二分类任务，你直接用 SVC(kernel='rbf') 训练，跑了一小时没跑完、内存也吃紧。换成 LinearSVC 后 3 分钟训完，但验证集 F1 掉了 4 个点。请说明 RBF 核在这里慢在哪，并给出 2~3 条能同时保住效果的替代方案。