📚 课程目录第1章课程导论

1. 课程导论：样本构建与特征筛选在机器学习全流程中的定位与价值

一个完整的机器学习项目通常遵循从业务理解到模型部署的标准化流程。样本构建与特征筛选处于流程的中游核心位置，直接决定模型效果的上限。

  核心观点： 数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限。样本构建与特征筛选正是决定“上限”高度的关键环节。

下表展示了机器学习全流程的六个主要阶段，并标注了本课程聚焦的环节：

阶段	核心任务	输出产物	本课程覆盖
1. 业务理解与问题定义	明确业务目标，将业务问题转化为机器学习问题	评估指标、正负样本定义	—
2. 样本构建	样本采集、清洗、标注、平衡、划分	训练集/验证集/测试集	✅ 核心
3. 特征工程	特征提取、构建、筛选、降维	特征矩阵	✅ 核心
4. 模型选择与训练	算法选型、超参数调优、交叉验证	训练好的模型	—
5. 模型评估与验证	离线指标评估、A/B测试设计	评估报告	—
6. 模型部署与监控	上线部署、数据漂移监控、模型迭代	线上服务	—

样本构建是机器学习流程的起点，其质量直接决定模型能否学到有效的模式。糟糕的样本构建会导致“垃圾进，垃圾出”。

实战经验： 在信贷风控场景中，样本构建阶段需要特别注意“样本时间窗口”的设定。通常使用过去12个月的数据作为训练集，最近3个月作为验证集，未来1个月作为测试集，以模拟真实线上环境的时间顺序。

特征筛选（Feature Selection）是从原始特征集合中选出对模型预测最有贡献的子集的过程。它并非简单的“降维”，而是提升模型泛化能力的关键手段。

特征筛选的核心价值体现在以下四个方面：

样本构建与特征筛选并非独立的两步，而是相互影响、迭代优化的过程。下图展示了二者在机器学习全流程中的协同定位：

本课程将按照“先样本、后特征”的主线，系统讲解从原始数据到高质量特征矩阵的完整实战流程。课程内容分为三大模块：

⚠️ 学习建议： 不要跳过样本构建部分直接学习特征筛选。在实际工业项目中，样本构建往往占据60%以上的时间，且样本质量问题会直接导致特征筛选失效。建议按照课程顺序循序渐进，每章完成后完成配套练习。