某风控模型训练集 AUC 0.92、验证集 0.78；训练 loss 持续下降，验证 loss 在第 3 轮后回升。标注数据来自众包，抽检估计约 8% 标签噪声。团队两派：A 派要求加正则化+早停，B 派要求加特征、换更大模型。你作为负责人，只有两周上线窗口，怎么诊断并做决策？请给出你会跑的实验、判断依据和最终动作。

面试官在考什么

在噪声与上线窗口约束下，判断当前主要矛盾是偏差还是方差，并给出可执行的取舍。

偏差方差权衡

回答框架 · 前两步

1. 先估计不可约误差上界：8% 标签噪声意味着验证指标存在噪声天花板，不能把差距全部归为方差。
2. 用学习曲线（样本量-误差）判断加数据边际收益；若训练误差低、验证误差随样本增加仍下降，偏方差/数据不足；若两者都高，偏偏差。

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

• 请解释偏差-方差权衡。如果一个模型训练误差很低、测试误差很高，你会怎么处理？
• L1 和 L2 正则的区别是什么？为什么 L1 能产生稀疏解？从几何角度解释一下。
• 样本极度不平衡（正样本 1%）时，你会怎么评估和建模？为什么不能只看准确率？
• 交叉验证有哪些方式？时间序列数据为什么不能用随机 K 折？你实际项目里怎么切？
• 你的模型预测概率偏高或偏低（校准差），怎么发现、怎么修？为什么 AUC 高不代表概率准？
• 线上服务要你对一个模型做上线前的效果预估，但没法直接做 A/B，你会怎么估？有多大把握？