为什么将连续性特征离散化？

在学习机器学习中，看过挺多案例，看到很多人在处理数据的时候，经常把连续性特征离散化。为此挺好奇，为什么要这么做，什么情况下才要做呢？

一、什么是离散化？

连续数据：身高，年龄，工资
离散数据：矮，高，红，绿，好，坏

连续属性的离散化就是将连续属性的值域上，将值域划分为若干个离散的区间，最后用不同的符号或整数值代表落在每个子区间中的属性值。

二、离散化原因

数据离散化是指将连续的数据进行分段，使其变为一段段离散化的区间。
连续特征离散化的本质是：决定选择多少个分割点和确定分割点的位置。
分段的原则有基于等距离、等频率或优化的方法。

数据离散化的原因主要有以下几点：

• 1、算法需要

比如决策树、朴素贝叶斯等算法，都是基于离散型的数据展开的。如果要使用该类算法，必须将离散型的数据进行。有效的离散化能减小算法的时间和空间开销，提高系统对样本的分类聚类能力和抗噪声能力。

• 2、离散化的特征相对于连续型特征更易理解，更接近知识层面的表达

比如工资收入，月薪2000和月薪20000，从连续型特征来看高低薪的差异还要通过数值层面才能理解，但将其转换为离散型数据（底薪、高薪），则可以更加直观的表达出了我们心中所想的高薪和底薪。

• 3、可以有效的克服数据中隐藏的缺陷，使模型结果更加稳定

三、离散化的优势