如何在 XGBoost 和 Random Forest 之间做选择？
How do you decide between using XGBoost and Random Forest for machine learning problems?
题目类型: 技术面试题
这是一道技术面试题，常见于澳洲IT公司面试中。
难度: medium
分类: Machine Learning, Model Selection
标签: GBDT, Ensemble, Tuning
目标公司: TikTok
参考答案摘要
答案 我会从数据形态、目标、可解释性与工程约束来选：Random Forest 更稳健、调参相对少、对噪声不敏感，适合快速基线与解释；XGBoost（GBDT boosting）通常在结构化/表格数据上能拿到更高精度，但更依赖调参（学习率、深度、采样、正则）且可能更敏感。若追求极致效果且能投入调参/算力，优先 XGBoost；若需要更简单、更稳、训练更快的方案，RF 是好选择。最终以交叉验证、线上...
答题技巧
技术面试题建议先理清思路再作答，从基础概念讲起，逐步深入。可以结合实际项目经验解释技术原理，展示你的理解深度和实践能力。
本题提供 STAR 原则详细解答和技术解析，登录匠人学院学习中心即可查看完整答案、收藏题目并进行模拟面试练习。
