特征工程重在平衡可解释性、稳定性和泛化能力，需紧扣业务逻辑链设计有判别力的指标，避免黑盒构造；数值型特征优先分位数截断与分布变换，类别型特征推荐平滑目标编码而非One-Hot。
特征工程不是“加特征越多越好”，而是让模型能更清晰地看到数据背后的规律。核心在于可解释性、稳定性、泛化能力三者的平衡，而不是堆砌技巧。
明确业务目标，反推特征设计方向
特征是否有效，取决于它是否承载了对目标变量有判别力的信息。比如预测用户是否会流失，单纯统计“登录次数”不如拆解为“近7天连续登录中断次数”+“上月活跃天数衰减率”。关键不是技术多炫，而是能否回答“这个数字为什么会影响结果”。
- 先画出业务逻辑链：用户行为 → 中间状态（如信任度、依赖度）→ 最终结果（如流失/转化）
- 把中间状态翻译成可计算的指标，例如“信任度”可用“客服投诉次数 / 历史订单数”粗略表征
- 拒绝“黑盒式构造”：避免直接用PCA降维后的主成分作为特征，除非你能说明第2主成分对应哪类实际行为模式
数值型特征：重点处理分布偏移与尺度干扰
树模型对数值缩放不敏感，但线性模型、距离类模型（KNN、SVM）、神经网络会受极大影响。更重要的是，真实数据常存在长尾、异常点、跨周期分布漂移——这些比标准化本身更致命。
- 优先用分位数截断（如clip到1%–99%）替代标准差剔除，保留业务合理极端值
- 对明显右偏变量（如订单金额、停留时长），尝试log(x+1)或Box-Cox变换，再做标准化
- 时间序列类特征（如“距上次购买天数”）要加周期性编码：sin(2π×t/365)、cos(2π×t/365)，让模型感知“第364天”和“第1天”其实很近
类别型特征：少用One-Hot，多用目标编码+平滑
高基数类别（如商品ID、用户ID）直接One-Hot会导致维度爆炸且稀疏。目标编码（Target Encoding）用均值替代类别，但原始版本极易导致过拟合和数据泄露。
- 必须做平滑：编码值 = (全局均值 × min_samples + 类别内均值 × 类别样本数) / (min_samples + 类别样本数)
- min_samples建议设为5–20，具体看类别分布；训练集编码必须用K折内编码（即每个fold只用其余fold计算该类别的编码值）
- 对低频类别（出现
特征交互与衍生：用业务逻辑约束组合空间
自动交叉（如PolynomialFeatures）在高维下不可控。真正有效的交互特征，往往来自领域知识中的“条件关系”或“比率关系”。
- 优先构造有物理意义的比值：点击率 = 点击数 / 曝光数，复购率 = 复购用户数 / 首购用户数
- 慎用高阶交叉：用户等级 × 商品价格区间 × 地区GDP分档，这类三重交叉容易过拟合，先验证两两组合是否显著提升AUC
- 时间窗口特征要有业务节奏：电商关注“大促前3天加购量”，教育产品关注“试听后24小时内是否完成首课”
基本上就这些。特征工程没有银弹，但有一条铁律：每加一个特征，
都要能说清它如何帮助模型区分正负样本。跑通baseline后，花80%时间在特征诊断（看SHAP值、单特征IV、PDP图），比盲目扩特征库管用得多。
都要能说清它如何帮助模型区分正负样本。跑通baseline后，花80%时间在特征诊断（看SHAP值、单特征IV、PDP图），比盲目扩特征库管用得多。