6.1.2.2 随机森林 (RF)、支持向量机 (SVM)、XGBoost

文档摘要

6.1.2.2 随机森林 (RF)、支持向量机 (SVM)、XGBoost 当XGBoost在生产环境突然“失忆”：一个关于参数与稀疏特征对齐的生死时速排查实录凌晨两点十七分，告警钉钉弹窗炸开——线上风控模型AUC在15分钟内从0.832断崖式跌至0.519。不是缓慢漂移，不是数据分布偏移，是近乎随机猜测。运维日志里没有OOM，没有超时，没有GPU显存溢出；特征平台监控显示输入特征矩阵shape稳定、缺失率恒定在12.7%；模型服务接口延迟曲线平滑如初。一切表象都正常——除了预测结果本身彻底失效。这是我在某互金公司主导模型迭代上线后第七次遭遇的“幽灵故障”。前六次，我们花了平均4.3小时定位：两次是特征工程Pipeline中浮点精度截断导致离散化桶边界偏移；