特征与目标变量的相关性如何计算与表示
哪些公司问过
答案要点
- 线性相关用 Pearson 相关系数;单调非线性或有异常值时用 Spearman 秩相关
- 分类标签:连续特征用方差分析 F 值,类别特征用卡方检验
- 非线性依赖用互信息,0 表示独立,连续变量需离散化或用 kNN 估计
- 模型视角:树模型 gain 重要性、置换重要性、SHAP 值,可反映特征交互与贡献方向
- 可视化:相关性热力图、特征重要性排序条形图、SHAP summary 图
易错点
- Pearson 接近 0 就判定特征无用,可能存在非线性关系
- 把相关当因果,相关高不代表特征对目标有因果作用
- 只做单变量筛选,忽略特征之间的交互作用
面试官常见追问
- 树模型自带的特征重要性有什么问题?
- 两个特征高度相关时,重要性会怎样?
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。