当职业数据耗尽时：面向创始人成功预测的结构化特征工程与信号极限
机器学习
2026-04-02 v1
摘要
从创始人职业数据预测创业成功是困难的。信号微弱，标签稀缺（9%），且大多数成功的创始人与失败的创始人几乎无法区分。我们直接从原始JSON字段（职位、教育、退出等）工程化28个结构化特征，并将其与确定性规则层和XGBoost提升桩相结合。模型达到Val F0.5 = 0.3030，Precision = 0.3333，Recall = 0.2222——相比零样本LLM基线提升17.7个百分点。随后我们进行了对照实验：使用Claude Haiku从散文字段提取9个特征，覆盖率为67%和100%。LLM特征捕获了26.4%的模型重要性，但未增加任何交叉验证信号（delta = -0.05pp）。原因在于结构层面：anonymised_prose是由我们直接解析的同一JSON字段生成的——它是一种有损重编码，而非更丰富的信息源。上限（CV ≈ 0.25，Val ≈ 0.30）反映了该数据集的信息含量，而非建模局限。在刻画信号何处耗尽及其原因的过程中，本工作充当基准诊断——直接指向更丰富的数据集需要包含什么。
引用
@article{arxiv.2604.00339,
title = {When Career Data Runs Out: Structured Feature Engineering and Signal Limits for Founder Success Prediction},
author = {Yagiz Ihlamur},
journal= {arXiv preprint arXiv:2604.00339},
year = {2026}
}
备注
4 pages, 4 tables. Accepted at SecureFinAI Contest @ IEEE IDS 2026. Code: https://github.com/ihlamury/vcbench