树模型、GBDT+LR 与神经网络的差异与适用场景
哪些公司问过
答案要点
- 树模型按阈值分裂,输出分段常数,擅长表格数据,对量纲不敏感、可处理缺失值
- 神经网络学习平滑的分布式表示,适合非结构化数据和大规模稀疏 ID(Embedding)
- GBDT+LR:GBDT 叶子节点编码作为特征交给 LR,实现自动特征组合;DNN 端到端
- 高维稀疏下 LR 可能优于 GBDT:每个特征有独立权重,正则化可控,训练快
- GBDT 在稀疏特征上分裂增益小,易在少量样本上过拟合,也不擅长外推
易错点
- 笼统说神经网络一定更强,表格数据上 GBDT 往往更好
- 忽略 GBDT+LR 中 GBDT 和 LR 是分开训练的两阶段模型
- 认为树模型需要特征归一化
面试官常见追问
- 为什么树模型不擅长外推?
- GBDT+LR 现在还用吗?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。