构造计数特征统计PC与用户连接次数的机器学习最优方案选择

两种方案没有绝对的最优解，选择核心取决于你的机器学习任务场景，判断依据主要是是否产生数据泄露、特征逻辑是否匹配线上推理要求：

• 方案1：全量最大连接数（同主体所有行特征值一致）
  这个方案统计的是PC/USER在全时间周期内的总连接次数，仅适合无时间序列属性的静态任务：比如你用全量数据做静态分类，判定某台PC是否为公共设备、某个用户是否为高频用户，且训练、测试集是随机拆分而非按时间拆分的场景。
  这个方案的致命问题是极易产生数据泄露：如果你的任务带时序属性（比如用1-3月数据训练，预测4月的用户行为），把4月的未来数据统计进1-3月的训练特征里，会导致模型离线评估效果虚高，上线后实际效果大幅下滑。
• 方案2：时序累计连接数（到当前周期为止的历史累计值）
  这个方案的特征仅使用当前行对应周期之前的历史数据统计，完全符合时序任务的线上推理逻辑：真实线上推理时你不可能拿到未来的用户/PC连接数据，只能用当前时间点之前的历史统计值，完全避免数据泄露问题，是绝大多数时序相关任务（比如异常登录检测、后续登录行为预测）的优先选择。
  缺点是无法直接体现主体的全生命周期活跃度上限。

最优组合实现方案 #

推荐同时保留两类特征，再补充衍生特征提升效果：

1. 必选保留时序累计连接数，确保特征逻辑符合线上要求无泄露
2. 新增滑动窗口统计特征：比如统计近1/3个周期内的PC/USER连接数，相比全量累计能更好反映近期活跃度
3. 如果需要使用全周期总量类特征，特征工程时严格按训练集时间窗口做统计，仅使用训练集时间范围内的数据计算总连接数，不要引入测试集的未来数据
4. 可补充衍生频次特征：累计连接数 / 该主体首次出现到当前周期的时间跨度，反映主体的使用频率

内容的提问来源于stack exchange，提问作者MAS