请设计一个用于预测DRAM晶圆良率的统计模型，需要考虑哪些特征？如何评估模型性能？

1) 【一句话结论】用于预测DRAM晶圆良率的统计模型，需整合工艺参数、设备状态、材料属性、操作员经验、历史良率趋势、洁净室环境等多维度特征，通过分层交叉验证和以召回率优先的评估指标（如Precision-Recall曲线）评估性能，核心是捕捉多因素交互对良率的影响并优先降低漏报风险。

2) 【原理/概念讲解】良率是半导体制造中合格晶圆占比的关键指标，预测良率需理解“特征”是可观测的影响因素（如温度、设备健康度），而“模型”是通过学习特征与良率的关系来预测新晶圆良率的工具。比如，良率预测就像工厂质检员根据原料、机器状态、操作手法判断产品合格率，模型就是通过分析这些因素如何影响合格率来预测新产品的结果。

3) 【对比与适用场景】

特征类型	定义	特性	使用场景	注意点
工艺参数	生产过程中可调节的物理/化学参数（温度、压力、时间）	可控、可量化、直接影响良率	前道工艺（氧化、扩散）良率预测	需实时采集，避免延迟
设备状态	设备运行时长、维护记录、故障次数	反映设备健康度	后道工艺（封装、测试）良率预测	需设备数据接口，可能存在延迟
材料属性	晶圆批次、掺杂浓度、原材料供应商	固定属性，影响良率基础	整体良率预测（跨工艺阶段）	需与批次数据关联
操作员经验	操作员技能等级、培训时长、历史操作失误率	反映操作水平	各工艺阶段良率预测	需操作员信息系统支持，数据获取难度较高
历史良率趋势	近期良率变化率、周期性波动	反映工艺稳定性	长期良率预测	需时间序列特征工程
洁净室环境	温度、湿度、洁净度等级	影响工艺环境稳定性	各工艺阶段良率预测	需环境监测系统实时数据

4) 【示例】

# 数据预处理
def preprocess(data):
    data = data.fillna(method='ffill')
    for col in numeric_cols:
        data[col] = data[col].clip(lower=data[col].quantile(0.01), upper=data[col].quantile(0.99))
    return data

# 特征工程
def feature_engineer(data):
    data['temp_pressure'] = data['temp'] * data['pressure']
    data['run_time_hour'] = data['run_time'] // 3600
    data['temp_trend'] = data.groupby('batch')['temp'].diff()
    return data

# 模型训练与评估
from xgboost import XGBClassifier
from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import average_precision_score

skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
for train_idx, val_idx in skf.split(X, y):
    X_train, X_val = X.iloc[train_idx], X.iloc[val_idx]
    y_train, y_val = y.iloc[train_idx], y.iloc[val_idx]
    
    model = XGBClassifier(n_estimators=200, max_depth=6, random_state=42)
    model.fit(X_train, y_train)
    
    y_pred_proba = model.predict_proba(X_val)[:, 1]
    pr_auc = average_precision_score(y_val, y_pred_proba)
    print(f"Fold PR-AUC: {pr_auc:.4f}")

final_pr_auc = cross_val_score(model, X, y, cv=skf, scoring='average_precision').mean()
print(f"Final PR-AUC: {final_pr_auc:.4f}")

# 模型更新（滑动窗口）
def update_model(new_data, model):
    updated_data = pd.concat([model_data, new_data])
    updated_data = preprocess(updated_data)
    updated_data = feature_engineer(updated_data)
    model.fit(updated_data.drop('良率', axis=1), updated_data['良率'])
    return model

5) 【面试口播版答案】
面试官您好，针对DRAM晶圆良率预测，我会从六个维度提取特征：工艺参数（温度、压力等直接影响良率的可控变量）、设备状态（设备运行时长、维护记录反映设备健康度）、材料属性（晶圆批次、掺杂浓度影响基础良率）、操作员经验（操作员技能和失误率影响工艺稳定性）、历史良率趋势（近期良率变化反映工艺波动）、洁净室环境（温度、湿度等环境参数影响工艺一致性）。模型性能评估方面，我会用分层交叉验证（按工艺阶段划分训练集和验证集）避免过拟合，核心评估指标是Precision-Recall曲线下的面积（PR-AUC），因为良率预测中漏报（把不良晶圆预测为良）的成本远高于误报，需要优先保证召回率。同时也会计算F1-score平衡两类样本的准确性，确保模型在预测良与不良时表现均衡。另外，模型会定期（比如每周）用新生产数据更新，通过滑动窗口机制处理实时数据，保持模型对工艺变化的适应性。

6) 【追问清单】

• 问题：如何处理数据中的操作员经验特征？
  回答要点：通过操作员信息系统获取技能等级、培训时长等数据，结合历史操作失误率计算经验评分，作为特征输入模型。
• 问题：模型更新频率如何确定？
  回答要点：根据工艺变化频率（比如每周工艺调整次数）和模型性能下降阈值（比如PR-AUC下降超过5%）来动态调整更新频率，确保模型准确性。
• 问题：如何处理良率数据中的类别不平衡问题？
  回答要点：采用SMOTE过采样技术增加正样本（良率达标）数量，或者调整模型预测阈值（提高阈值降低误报率），优先保证召回率。
• 问题：特征工程中的交互项（如温度*压力）如何选择？
  回答要点：通过特征重要性分析（如XGBoost的feature_importances_）筛选对良率影响显著的交互项，避免冗余特征影响模型性能。

7) 【常见坑/雷区】

• 忽略操作员经验特征：未考虑操作员技能对良率的影响，导致模型预测准确性下降。
• 未处理数据延迟：设备状态数据存在延迟，未采用数据缓冲或滑动窗口处理，影响模型实时性。
• 评估指标未结合业务优先级：使用AUC-ROC评估，而良率预测中漏报成本高，未优先考虑召回率，导致模型实际应用效果不佳。
• 特征工程未考虑交互项：仅使用单一特征，未分析温度与压力的交互对良率的影响，导致模型无法捕捉复杂工艺关系。
• 模型更新机制不明确：未制定定期更新规则，导致模型无法适应工艺变化，长期性能下降。