训练一个树模型时，把取值 300 万的 user_id 和若干高基数类别特征直接喂进去，训练集 AUC 0.99、验证集 AUC 0.75。你作为负责人怎么定位这个问题、怎么处理？同时说明树为什么特别容易在这类特征上「记住」训练集。
面试官在考什么
考察对树分裂准则偏好高基数特征、以及目标编码与标签泄漏的系统性认知，能否把问题定位到特征使用方式而不是模型本身。
回答框架 · 前两步
- 高基数 ID 让树能按单个取值切出近乎纯的叶子，本质是分裂准则偏好多取值特征 + 缺少叶子最小样本约束，训练集近乎记忆。
- 常用处理：目标编码（折外 + 平滑/先验混合）、embedding、频次与统计类特征、限制每叶最小样本数与最大分箱数。
还有 3 条答案要点、 3 层追问、 5 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。