数据分箱

数据分箱

##为什么需要将连续数据做分箱？（为什么要对连续特征做离散化处理）

1. 离散特征的增加与减少都很容易，易于模型的快速迭代，（就是说增加一个或几个离散特征，模型在原先的基础上训练，相对于连续特征，时间花费比较少）
2. 稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展
3. 逻辑回归属于广义线性模型，表达能力受限；单变量散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合。
4. 离散化的特征对异常数据有很强的鲁棒性，比如：一个特征是年龄>30是1，否则是0,。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰。
5. 离散化后可以做特征交叉，由（M+N）个变量变成M×N个变量进一步引入了非线性，提升表达能力（就是说一个连续的特征离散化为M个特征，另一个连续性特征离散为N个特征，若这个两个连续性特征交叉，即M个特征与N个特征交叉，那就能新产生M×N个特征）
6. 特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户长一岁就变成了完全不同的人，当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问。
7. 特征离散化以后，起到了简化逻辑回归模型的作用，降低了模型过拟合的风险。
8. 可以将缺失处理为独立的一个类来带入模型
9. 分箱后降低模型运算复杂度，提升模型运算速度，对后期上线较为友好。

分箱的类型包括哪些？

等频分箱，等距分箱，卡方分箱

等频分箱就是将多少个数分为一组。比如：1,2,3,4,7,8,9,12,25,35,39,40如果按频数为4分为一组，那么可以分成3组，按顺序是【1,2,3,4】，【7,8,9,12】，【25,35,39,40】

等距分箱就是在某一个间隔里的数为一组。比如：1,2,3,4,5,6,7,8,34。在按照间隔3为一组，得到【1,2,3,4】，【5,6,7,8】，【34】