Когда больше и круче — не значит лучше 🤯

Предыстория: на стажировке в Яндекс Браузере я учил ML-модели предсказывать LTV пользователей (проще говоря, сколько денег принесёт пользователь просматривая рекламу в приложении). И вот, в процессе обучения модели я смог добавить ещё один признак, который казался мне очень важным. В ожидании улучшения качества работы модели я был очень удивлён, когда после нового признака модель стала работать хуже
И вот казалось бы: данных стало только больше, а от этого только вред((
В итоге, от этого признака пришлось отказаться — он просто сбивал доверчивую модель с толку 😭

Чуть аналогии в жизни: иногда кажется, что чем больше у нас информации, тем лучше.
Но на практике преследуя цель мы обрастаем мнениями и советами, которые, кажется, помогают, но в реальности лишь запутывают и искажают наше восприятие 🤔

А ещё я часто замечаю, что многие усложняют вещи, чтобы казаться экспертами, и это реально работает))
Однако по мере опыта работы (!по крайней мере моего!) становится ясно, что для многих задач не нужно ничего усложнять. Обычные и известные методы часто показывают себя наилучшим образом. Особенно это было заметно в начале моей карьеры аналитиком, когда хочется на любую задачу прикрутить нейросеть, ведь "не для того мама ягодку растила", чтобы он потом лин.регрессию обучал 👑

Но есть и побочный эффект: теперь я боюсь, что выгорел, стал слишком консервативным и отрицаю новшества в ML, что может быть губительно 🥱

И всё-таки выбор за тобой: стоит ли использовать сложные решения или достаточно обычных и примитивных? Пиши в комментарии)