7.1 算法选型：拿到新问题的第一小时
7.1 算法选型：拿到新问题的第一小时
本节摘要：选型题的正确姿势不是报算法清单，而是演示一套开工流程：把业务目标翻译成可度量指标、给数据做快速体检、用最土的模型立基线，然后才有资格谈「上什么算法」。本节给出第一小时的完整动作序列与选型决策树。
「给你一个新问题，你怎么做」是开放题里的固定开场，它考的不是知识量而是工作流的成熟度。绝大多数低分回答的症状是「直接跳到模型」——上来就说「我会试试 XGBoost 和神经网络」，面试官立刻知道你没从零启动过项目。本节把第一小时拆成有顺序、有产出物的动作。
主问题：第一小时做什么
主问题：「拿到一个从来没做过的预测类需求，你的第一个小时怎么过？」
标准答案
三件事按序完成。第一，目标转译：和需求方对齐「预测什么、给谁用、错了的代价是什么」，把口头目标钉死成一个可度量的指标与验收口径——这一步不完成，后面全部白干。第二，数据体检：看样本量、特征数、目标分布、缺失率、时间跨度这五个数字，十五分钟的检查能决定后续一周的路线。第三，基线先行：先用最土的模型（多数类、均值、逻辑回归或浅树）在诚实验证口径上立一个基线，所有后续复杂度都要向这个基线索要增量证明。第一小时结束时，你手里有一句钉死的指标、五个数据体检数字和一个基线分数——这才叫开了工。
「基线先行」是这个答案的灵魂：没有基线，复杂模型的复杂度就没有对照组；面试里说出「先用逻辑回归占住基线再谈别的」，是从执行者视角说话的直接证据。
追问一层：算法怎么选
追问：「基线立完之后，算法怎么选？有章法吗？」
参考答法是给决策树配理由，而不是背清单。选型的三个输入是数据形态、标注规模、部署约束：
图：算法选型决策树
追问的回答词：表格数据优先 GBDT 系（参照第 2 章的理由），标注稀缺时退到线性加强特征；文本与图像先找预训练表示，微调优于从头训练；时序预测先用统计基线（季节均值、指数平滑）再上模型。每一条都以「先土后洋」收口。
追问二层：基线怎么立才立得住
追问：「你说基线先行，一个合格的基线要满足什么？」
参考答法给三条标准：其一，口径一致——基线与后续所有模型用同一验证切分、同一指标，否则对比无效（6.1 的纪律）；其二，成本合理——基线的训练与部署成本必须是「业务可接受的最低配」，否则失去了「是否值得上复杂模型」的参照意义；其三，诚实命名——基线报告要写清「这是多数类基线」还是「这是带特征工程的逻辑回归」，两个量级的基线混着说会误导决策。面试补一个反例更显老练：见过用未调参的深度模型当「基线」去证明树模型不行的汇报，那是反向作弊——基线的诚实性是双向的。
易错点
- 目标转译跳过「错了的代价」：FN 与 FP 代价不对称却用对称指标训练（1.4 节的教训在选型时刻就已生效）。
- 数据体检只看均值不看分布与时间跨度：倾斜目标、时间断层、实体重复都在体检五数字里现形，漏检的代价是整周返工。
- 把「算法越新越好」当选型逻辑：生产系统里维护成本、推理延迟、团队熟悉度都是一等公民。
- 第一小时无产出物：目标转译和数据体检没有留下文字结论，第二天就忘——「有产出物」是流程成熟度的标志。
评分要点
及格：给出「明确指标、看数据、上模型」三步；良好：第一小时三动作完整，选型理由带条件（数据形态、标注量、部署约束）；优秀：基线三标准与「先土后洋」的升级逻辑讲透，全程以产出物视角描述流程。这题的高分本质是把面试官当成需求方——你在演示的不是一个答案，而是一种让人放心的开工方式。
下一节是全章最「救火」的一节：线上效果劣化的排查链，工程追问的重灾区。
高频追问速答
问：业务指标和技术指标对不上怎么办？
这是目标转译的核心难题。解法是分层对齐：找到业务指标（转化率、坏账率）与技术指标（AUC、召回）之间的因果桥，用历史数据验证桥的强度；技术上优化代理指标，业务上定期校验代理指标与真指标的相关性——代理漂移了就换。「优化代理、校准桥」是标准姿势。
问：数据体检发现目标分布极端倾斜，第一小时还立基线吗？
立，而且更要立——但基线的形态要换：不用逻辑回归，用「全预测多数类」或简单规则引擎当基线，配合 PR 口径的验证。基线的意义是占住「最便宜的合理方案」这个参照点，与模型复杂度无关。
问：需求方只给一句「提升转化率」，怎么把目标谈细？
四连问：对谁（人群与场景界定）、多久（评估周期与最小样本量）、多少（提升多少算成功，含统计显著性）、代价（误伤与体验损耗的容忍度）。这四个问题问完，一个含糊的需求就变成了一份可验收的任务书。
表达纪律：选型题的每一步都带「产出物」——指标定义一句话、体检五个数、基线一个分数。有产出物的流程才是可信的流程。
深水区：三个延伸追问
问：第一小时里如果发现数据完全不能用怎么办？
立刻反馈而不是硬着头皮建模：说清缺什么（标注量、关键字段、时间跨度）、能救什么（补采、改问题定义、降级目标）、需要多久。项目前期暴露数据问题的成本最低，「带着坏数据硬跑两周再报告失败」是职业生涯里最贵的错误之一。
问：怎么在开工前估计这个项目值不值得做？
粗算上限：目标指标的理论改善空间乘业务价值，减去数据、人力、推理的持续成本，再打一个成功率折扣。机器学习项目的死法大多是「技术上可行但商业上不值」，成本收益的粗账是资深工程师和初级的手艺分界。
问：基线选型时最容易犯什么错？
用不可部署的基线（离线大模型当基线，线上跑不动）或不可复现的基线（没固定种子与口径）。基线的全部意义在于「可信的比较原点」，两点有一点不成立，后续所有增量声明都是空中楼阁。
追加两问
问：第一小时要考虑团队因素吗？
要。选型不只选算法，还选维护成本：团队熟悉的模型栈、现成的特征管线、公司已有的推理基建，都是选型的真实约束。「在团的约束内选最优」与「在论文里选最优」常常是两个答案，工程面试要的是前者。
问：需求模糊到无法转译怎么办？
用最小可行实验倒逼定义：挑一个最可能的指标口径，跑一个最粗的模型，把中间产物拿给需求方看——「是这个意思吗」。抽象需求在具体产物面前才暴露分歧；等待完美需求定义的项目，多数死在等待里。
问：怎么判断该不该直接建议不建模？
当规则引擎或人工流程能在可接受成本内达标时，建模的边际收益可能覆盖不了边际风险（偏差、维护、故障面）。说得出「这个问题可以先不建模」的候选人，面试官会默认他的建议都经过了成本核算。