为什么新增特征有时候会对模型带来负面影响？ 第1页

其实这个问题描述得不好。首先你的lr是什么lr，是logistic regression还是linear regression？没有加入什么贝叶斯、GP之类的？

因为不知道你说的是什么lr，所以不知道你处理的是什么问题，classification，还是regression。

你说的结果变差了，这个描述太不“统计学”了。如果你做的是regression，你是说MSE变大了，还是说l1或者l2变大了？你是如何做regularization的？如果你做的是classification，你说的结果变差了，是说accuracy差了，还是recall或者precision差了，或者只是f1差了？如果是f1差了，你是说minor f1差了还是major f1差了？

而且我们脱离数据谈数据也不好。数据本身是否做过standardisation？而且数据本身是否“可用”？我就见过有人把周一周二周三这种数值直接设为1、2、3、4、5、6、0，结果还问为什么效果变差了。而且有人连自己的数据的matrix的rank是多少都不知道，就直接撸模型。我说实话，这样是不合适的。你可能能做出结果，但是出了结果，你不知道怎么调。

而且你说排除过拟合，你是怎么排除这个可能性的？

所以说，我们常常看人做数据，手写算法，但是很少有人真的懂得科学的分析方法，很少有人真的能做error analysis。我是建议你重新编辑一下问题，然后大家帮你看一下。一般来说效果变差了，我的理解是，效果在training data和testing data上都变差了，而且无论训练多少个迭代，结果不收敛。那样的话，要检查你的数据本身是否可用。