在良率预测中，如何从半导体制造的多维度数据中提取有效特征？请列举至少5种关键特征，并说明每种特征如何影响良率，以及如何通过特征工程（如特征变换、降维）提升模型性能。

1) 【一句话结论】良率预测的有效特征需从工艺、设备、材料等多维度提取，通过特征交叉（如温度-压力乘积项）与工程（归一化、交互特征）提升模型对复杂关系的捕捉，并通过交叉验证验证效果，最终增强预测性能。

2) 【原理/概念讲解】良率预测的核心是捕捉制造过程中的关键影响因素。半导体制造数据维度高、噪声大，需从工艺参数（如温度、压力）、设备状态（老化、维护）、材料属性（纯度、掺杂）、历史缺陷（前道工序累积）、批次信息（时间、批次ID）等多维度提取特征。关键在于识别特征间的交互作用（如温度与压力的协同影响），并通过特征工程（如特征变换、降维）筛选有效信息。例如，温度偏离目标值越大，良率越低，归一化后模型能更敏感捕捉偏离程度；设备老化与压力波动交互，可能放大缺陷风险，需生成交互特征。

3) 【对比与适用场景】

特征类型	定义	影响良率的方式	特征工程方法	交互/边界
工艺参数（温度、压力）	制造过程中的控制变量	直接影响晶圆加工物理过程，偏离目标值易导致缺陷	归一化（Min-Max）、对数变换（偏态处理）	与压力生成交互项（温度*压力），验证交互项对模型AUC提升（如+0.05）
设备状态（老化指数、维护记录）	设备运行状态指标	老化或维护不当导致加工精度下降，缺陷率上升	特征编码（One-Hot）、时间序列分解（老化趋势）	与工艺参数生成交互项（老化*温度），边界：当数据量极大时，PCA计算成本高，考虑自动编码器
材料属性（晶圆纯度、掺杂浓度）	原材料特性	材料杂质或浓度偏差导致晶体缺陷	标准化（Z-score）、缺失值填充	与批次信息生成交互项（纯度*批次周期），验证对模型性能的影响（如AUC+0.03）
历史缺陷数据（前道工序缺陷数）	历史批次缺陷统计	前道工序缺陷传递至后续工序，累积影响良率	特征聚合（时间窗口，如滑动窗口7天）、缺陷数聚合（均值/方差）	与设备状态生成交互项（缺陷数*老化指数），边界：当数据分布偏态时，对数变换处理
批次信息（批次ID、生产时间）	批次标识与时间特征	不同批次存在工艺/材料波动差异	编码（One-Hot）、时间特征提取（周期性，如生产时间与周期的余弦变换）	与工艺参数生成交互项（批次周期*温度），验证对模型性能的影响（如AUC+0.04）

4) 【示例】

def extract_features(data):
    # 归一化工艺参数
    data['temp_norm'] = (data['process_temp'] - data['temp_mean']) / data['temp_std']
    data['pressure_norm'] = (data['process_pressure'] - data['pressure_mean']) / data['pressure_std']
    # 计算偏离度
    data['temp_deviation'] = abs(data['temp_norm'])
    data['pressure_deviation'] = abs(data['pressure_norm'])
    # 生成交互特征（温度*压力）
    data['temp_pressure_interaction'] = data['temp_norm'] * data['pressure_norm']
    # 批次时间特征（假设周期为24小时）
    data['time_cycle'] = (data['production_time'] % 24) / 24
    # 历史缺陷聚合（滑动窗口7天）
    data['defects_7d'] = data['defect_count'].rolling(window=7).mean()
    return data[['temp_norm', 'pressure_norm', 'temp_deviation', 
                'temp_pressure_interaction', 'time_cycle', 'defects_7d']]

5) 【面试口播版答案】
在良率预测中，有效特征需从工艺、设备、材料等多维度提取。比如工艺参数（温度、压力）直接影响晶圆加工质量，设备老化程度影响稳定性，历史缺陷数据反映工序累积影响。通过特征工程，比如计算温度与压力的乘积项（交互特征），捕捉两者协同对良率的影响；对温度参数做归一化处理，去除数据尺度差异，让模型更敏感捕捉偏离程度。设备老化指数高的批次，良率通常下降，通过特征编码后能帮助模型识别设备状态对良率的影响。这些特征经过工程处理后，通过5折交叉验证发现，加入交互特征后模型AUC提升了0.05，说明特征工程有效提升了模型性能。

6) 【追问清单】

• 如何处理时间序列数据中的时序依赖？
  • 回答：用滑动窗口聚合历史缺陷数据，或引入时间特征（如生产时间、周期性）。
• 特征选择方法如何选择？
  • 回答：用递归特征消除（RFE）结合模型重要性（如随机森林特征重要性），或基于相关性（如互信息）筛选。
• 降维方法选择依据？
  • 回答：根据特征数量与计算资源，小样本用PCA，大数据用自动编码器或基于模型的特征选择（如L1正则）。

7) 【常见坑/雷区】

• 忽略特征交互作用，导致遗漏关键信息，影响模型性能。
• 未验证特征工程效果，未通过交叉验证评估特征变换对模型性能的影响。
• 特征工程方法选择不当，如PCA在数据量极大时计算成本过高，或对数变换未处理偏态分布。
• 模板化表述，如“提升模型对工艺异常的敏感度”，缺乏具体实例支撑。
• 未考虑特征工程的边界条件，如当数据分布偏态时未做对数变换，导致模型性能下降。