一张 50 万行、300 列的表格数据，其中大约 20 个特征预测力很强，其余 280 个基本是噪声。团队想直接用随机森林：一边输出特征重要性排序给业务，一边把模型上线，要求线上 p99 < 50ms。你觉得随机森林的默认 MDI 重要性在这份数据上会出什么问题，你会怎么修正？另外，为什么这里不直接用单棵树？

面试官在考什么

判断候选人是否知道 MDI 重要性的偏差来源，以及在大比例噪声特征存在时特征重要性还靠不靠谱。

随机森林

回答框架 · 前两步

1. MDI 用不纯度下降量度量重要性，天然偏向分裂机会多的特征（高基数、连续值），在 280 个噪声特征存在时也可能把噪声排到前面。
2. 修正方式：用置换重要性（在验证集上打乱单列看指标掉多少）、用在验证集上统计的分裂增益，或者先对噪声特征做一轮筛选再进模型。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 避坑与冲刺：简历自洽、六种扣分话术、D-7 准备表

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。