你用逻辑回归做广告点击预估，特征是 8000 维稀疏 one-hot，训练集 200 万行，训练 AUC 0.81、验证 AUC 0.80，差距很小。现在有两个约束：模型文件必须压到 20MB 以内（当前 200MB），并且业务方要求能解释‘哪些特征在起作用’。你会选 L1 还是 L2？正则强度 λ 怎么确定？

面试官在考什么

能否把正则化选择落到模型体积、可解释性、稀疏特征下解的稳定性这些工程约束上，而不是背‘L1 稀疏、L2 平滑’。

过拟合与正则化

回答框架 · 前两步

1. 体积和可解释性这两个约束都指向 L1（或 Elastic Net），因为它能把大量 one-hot 权重压成 0，模型文件也随之变小
2. 但稀疏特征下 L1 收敛慢，且相关特征之间系数会随机跳，解不稳定；加一点 L2（Elastic Net）可以缓解

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？