逻辑回归为什么常用离散化和 One-Hot 特征
哪些公司问过
答案要点
- LR 可以直接使用 One-Hot 向量,作为稀疏特征输入
- 离散化让线性模型学到分段非线性关系
- 离散化对异常值和噪声更鲁棒,模型更稳定
- One-Hot 避免类别特征的虚假序关系,稀疏计算高效且便于交叉
- 缺点是维度高、丢失区间内信息,需正则化和低频类别合并
易错点
- 说 LR 不能用 One-Hot 输入
- 把类别特征直接编码为整数喂给 LR
- 只讲优点,不提维度膨胀和低频类别问题
面试官常见追问
- 树模型适合用 One-Hot 吗?
- 离散化分桶怎么做?
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。