Microsoft Principal AS 员工离职预测：TSV 特征、泄漏与解释性

题意与假设

这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。

• 训练版目标定义为‘预测时点之后 T 天内自愿离职’，T 与离职类型题目未明确，必须先与业务方定。
• 每个员工在预测时点形成一条样本，所有特征仅取该时点可用快照；数据集若只有静态最终状态，无法直接证明无泄漏。
• 模型用于风险排序和自愿支持，不自动惩罚员工；解释性的相关性不等于因果离职原因。
• 没有原 TSV，代码级数据清洗需等真实列定义、缺失率和时间戳后才写，不能虚构数据值。

解题路线

1. 先确定行动：HR 希望对哪些员工、在何时、提前多久采取什么支持措施；据此确定标签窗口、漏报/误报成本、权限与隐私边界。
2. 按员工与时间构造快照，检查 Age、JobRole、MonthlyIncome、OverTime 的缺失、异常、类别规模和采集时间；离职后的离职原因、最后一次薪资等字段不得进入预测前特征。
3. 划分数据用时间前推且同一员工不能跨训练/验证泄漏；如果不同部门/地区分布差异显著，按群组报告误差和校准。
4. baseline 可用正则化逻辑回归，XGBoost/树模型处理非线性与交互；类别不平衡用权重或采样，但评估需在原始部署比例上进行。
5. 报告 PR-AUC、top-k precision/recall、校准及按群组的误报率；阈值按 HR 能处理的容量与干预成本选。对关键特征做 SHAP/部分依赖可用于模型解释，但不可把相关特征断言为离职因果。
6. 上线先做影子评估和人工审核，监控特征新鲜度、漂移、干预覆盖率和长期结果；避免模型改变管理行为后标签机制失效。

手动走一遍

若某员工在 6 月 1 日做预测，OverTime 应取 6 月 1 日之前已记录的工时，不能用 6 月全月最终值；同理离职前最后一次 JobRole/薪资可能泄漏未来。若离职率 5%，全判‘留下’准确率可达 95% 却对支持目标无用。

规模与取舍

设员工快照数 N、特征数 F、树数 T、每树深度 d，树模型训练成本依实现与分桶策略而变，不能从题目推断固定量级；批量推理约 O(NTd)，数据 join/历史快照通常主导 ETL 成本。容量需按预测频率、历史保留期、权限审计和人审队列规划。

易错点与追问

容易失分的边界

• 把样例字段当作实际原 TSV 全部列。
• 随机按行划分同一员工的历史记录，产生身份泄漏。
• 只报 accuracy，忽略低基率和干预容量。
• 把 SHAP 排名当离职原因或对员工自动作不利决定。
• 未经时间截断使用离职后才出现的字段。

继续深挖

• 没有可靠员工历史快照时还能否做此预测？
• 政策变更或裁员期间标签分布漂移怎样评估？
• 如何判断加班减少是否会因果性降低离职率，而非只是相关？
• 管理者只能每月联系 100 人时如何定 top-k 阈值？