Search

Tag: #feature-engineering7 results

CAFE：因果引導多代理自動特徵工程

CAFE 將自動特徵工程重新表述為因果引導的順序決策過程，使用因果發現獲得軟因果先驗，並透過多代理強化學習進行特徵建構。它在 15 個基準測試上優於基線高達 7%，並在共變量偏移下將效能下降減少 4 倍。此框架產生更緊湊、穩定的特徵，並具備可靠的歸因。

Apple 介紹了 Fortress，這是一個旨在減輕搜尋與推薦模型中時間不穩定性的框架。透過識別並修剪不穩定的輸入特徵，該系統確保了多階段架構中預測分數的一致性。

Apple Machine LearningOfficial•Jul 6#feature-engineering #model-stability

資料科學團隊分享了關於一個基於貝葉斯目標編碼 (Bayesian target encoding) 的頂尖 LightGBM 特徵，如何因過度擬合不可約標籤變異而導致預測效能下降的發現。本文強調了梯度提升模型中目標編碼洩漏的風險。

自動系統使用 LightGBM 與 3,451 多模態特徵，偵測 42,112 筆臨床試驗敘述中的劑量錯誤。在嚴重不平衡資料（4.9% 正類）上達 0.8725 測試 ROC-AUC。前 500-1000 特徵透過降噪勝過全套特徵。

開發者探討了在機器學習模型中使用 NBA 讓分盤口變動作為特徵的權衡。核心挑戰在於決定使用早期市場快照還是收盤盤口，以避免數據洩漏與盲目跟隨市場的偏差。

初級資料科學家審計用於貸款申請的 XGBoost 饋送集成模型，發現統計上不顯著的變數（IV < 2%）。模型驗證團隊稱聚合可緩解問題。尋求反駁論點，同時缺乏 VIF 檢查、LIME 和 SHAP 分析。

一名 Reddit 使用者為研究所專題尋找房貸業務中預測分析的實際案例。討論重點在於哪些變數最能預測再融資，包括信用活動、房價增值、利率與人生事件。