4. 统计与机器学习基础面试
统计与机器学习基础是精算模型工程师面试的“硬通货”。面试官不会只问你“会不会调包”，而是通过回归、时间序列、GLM、树模型和交叉验证，判断你是否理解模型背后的假设、适用边界，以及能否把统计结论翻译成精算业务语言。本章帮你建立一条清晰的回答主线：先讲原理，再讲流程，最后落到精算场景与公司偏好。
一、核心原理：回归、GLM与树模型的本质差异
面试中常被问：“线性回归、GLM和XGBoost，你在精算场景怎么选？”回答的关键不是背公式，而是讲清假设、输出和解释方式。
- 线性回归：假设因变量连续、误差正态、方差齐性。适合赔付金额、保费收入等连续目标，系数直接解释为边际效应。
- GLM：通过连接函数把线性预测子映射到目标均值，允许指数族分布。精算定价中最常用Gamma、Poisson、Tweedie，分别对应赔付强度、频次和纯保费。
- 树模型：不依赖线性假设，自动捕捉交互和非线性。但单棵树方差大，随机森林和GBDT通过集成降低方差，代价是可解释性下降。
面试加分点：主动提到“GLM的系数在精算里可以直接进入费率因子表，而树模型通常需要SHAP或部分依赖图做事后解释”。
二、方法流程：从数据到模型验证的完整闭环
面试官喜欢听流程，因为流程能暴露你的工程习惯。建议按以下五步回答：
- 数据理解与清洗：检查缺失、异常、暴露量（Exposure）和偏移项（Offset）。精算数据常有时序性和长尾，不能直接套用通用清洗模板。
- 特征工程：连续变量分箱、WOE编码、交互项构造。GLM中分箱要结合业务单调性，树模型可保留原始值。
- 模型选择与训练：先跑基线GLM，再用树模型做非线性补充。注意设置offset，如log(Exposure)。
- 交叉验证：精算数据不能随机K折，要用时间序列切分或分组交叉验证，避免未来信息泄露。
- 评估与复盘：回归看RMSE、MAE、R²；分类看AUC、KS、Gini；精算还要看Lift图、双变量分析和实际赔付率校准。
# 时间序列交叉验证示例（sklearn TimeSeriesSplit）
from sklearn.model_selection import TimeSeriesSplit
tscv = TimeSeriesSplit(n_splits=5)
for train_idx, test_idx in tscv.split(X):
X_train, X_test = X.iloc[train_idx], X.iloc[test_idx]
y_train, y_test = y.iloc[train_idx], y.iloc[test_idx]
model.fit(X_train, y_train)
score = model.score(X_test, y_test)
print(f"Fold score: {score:.4f}")
三、案例场景：GLM与树模型在车险定价中的配合
假设面试官问：“车险纯保费模型，你会怎么搭？”可以这样组织：
- 频率模型：Poisson GLM，offset为log(Exposure)，变量包括车龄、地区、历史出险次数。
- 强度模型：Gamma GLM，目标为单次赔付金额，处理长尾和右偏。
- 纯保费：频率×强度，或直接用Tweedie GLM建模纯保费。
- 树模型补充：用GBDT捕捉GLM残差中的非线性交互，再用SHAP解释，最后把显著交互项加回GLM，保持可解释性。
这种“GLM为主、树模型为辅”的策略，既满足监管对可解释性的要求，又提升了预测精度，是很多大型险企的实际做法。
四、误区与复盘：交叉验证和公司侧重点
常见误区有三个：一是对时序数据用随机K折，导致数据泄露；二是只看AUC不看校准，精算定价更关心预测赔付率是否偏离实际；三是盲目追求复杂模型，忽略上线后的监控和维护成本。
| 公司类型 | 侧重点 | 面试信号 |
|---|---|---|
| 传统大型险企 | GLM可解释性、监管合规、稳定性 | 能否讲清系数含义和费率因子 |
| 互联网保险/金融科技 | 树模型、特征工程、上线迭代速度 | 是否熟悉GBDT、SHAP和A/B测试 |
| 再保险/咨询 | 时间序列、极值理论、模型验证 | 能否处理长尾和尾部相关性 |
| 精算软件/数据服务 | 工程化、自动化、可复现 | 是否掌握交叉验证流水线和版本管理 |
复盘建议：每次面试后记录被追问的模型细节，比如“为什么用Tweedie而不是Gamma”“时间序列交叉验证怎么切”，这些高频追问就是下一轮复习的重点。
总结一句话：统计与机器学习基础面试，考的不是你背了多少算法，而是你能否在假设、验证、业务解释和公司偏好之间做出平衡。把这条主线讲清楚，你就已经超过大多数候选人。