分类模型中需要对连续变量离散化,可以降低模型过拟合的风险,更稳定。
分箱的重要性和优势:
1 离散特征的增加和减少都很容易,易于模型的快速迭代
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 离散化后的特征对异常数据有很强的鲁棒性,比如一个特征年龄>1 是1,否则是0,如果特征没有离散化,一个异常数据300岁会给模型造成很大的干扰。
4 逻辑回归属于广义线性模型,表达能力受限,单变量离散化为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。
5 离散化后可以进行特征交叉,由M+N 个变量变为M*N 个变量,进一步引入非线性,提升表达能力。
6 简化逻辑回归模型的作用,降低了模型过拟合的风险
7 可以将缺失的作为独立的一类带入模型
8 将所有变量变换到相似的尺度上。