长期以来，自己在做特征的时候，为啥要做交叉特征，已经为什么交叉特征能够起到作用比较迷糊，偶然在kaggle上看见一个例子，完美的解答了这个问题。
数据如下：
| 数据ID | 类别ID | X | GroupX（交叉特征） | Label |
|---|---|---|---|---|
| A | 1 | 1 | 0.75 | 1 |
| B | 1 | 0 | 0.75 | 1 |
| C | 1 | 1 | 0.75 | 1 |
| D | 1 | 1 | 0.75 | 1 |
| E | 2 | 0 | 0.33 | 0 |
| F | 2 | 0 | 0.33 | 0 |
| G | 2 | 1 | 0.33 | 0 |
| H | 3 | 1 | 0.66 | 1 |
| I | 3 | 1 | 0.66 | 1 |
| J | 3 | 0 | 0.66 | 1 |
以决策树为模型，现在如果只使用特征X作为去预测Label，如图所示，那么只有70%的准确率。
现在利用类别ID和特征X做交叉特征，利用类别ID进行groupBy，将sum值除以类别组内基数，得到交叉特征GroupX，再利用交叉特征去预测Label，如图，准确率为100%。
总结
做交叉特征的目的在于，帮助模型去进一步的学习数据，特别是树模型这种无法知道特征与特征之间交互信息的模型。
参考文献
https://www.kaggle.com/c/ieee-fraud-detection/discussion/111453