特征评估

1、（训练前）特征本身覆盖率
特征本身对样本的覆盖程度

2、（训练前）特征本身在目标上的区分度
连续值分label分布概率PDF（正样本上该特征值的PDF，负样本该值的PDF，其交叉区分程度）
离散值分label分布（类似连续值，也可以获得其正负样本上的PMF）
单特征AUC（连续值可以压缩值域来计算，离散值也可以用出现不出现0，1，p和非p，来转化为单特征值AUC）
PS：对于分布的区分度，可以通过KL散度来进行数值化评估

3、（训练阶段）判断特征对模型的贡献度
增减特征后的对比实验，计算两种方式训练模型后，模型在测试集的AUC

4、（预估阶段判）断特征对模型的贡献度
在预估的时候对某个slot的值赋予随机值，或者0，再来计算测试集AUC。与原基线AUC有较大跌幅，则重要性高，跌幅越低，则重要性越低。
PS：有时候用4方法，跟3方法，2方法得到的结果不相同。比如现有模型中已有一个跟待估特征有较强的线性相关性。则就算其对目标有较好的区分度，在3，方法中可能也体现出不增益。但是特征本身是有价值的