LR其实是可以做一下特征离散化的

今天听组里人聊天，说LR需要把特征离散化，但是GBDT并不需要把特征离散化；我很疑惑，我记得lr并不需要离散化啊。后来听他们说，LR更适合处理稀疏数据，那么把特征先离散化到4个特征维度（假设的），然后以后遇到这个特征的时候，实际上就是四个特征中的一个有值了。【实际上是做了一个哑变量处理】

以下摘自知乎：
3. 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；
6. 特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。

李沐曾经说过：模型是使用离散特征还是连续特征，其实是一个“海量离散特征+简单模型” 同 “少量连续特征+复杂模型”的权衡。既可以离散化用线性模型，也可以用连续特征加深度学习。就看是喜欢折腾特征还是折腾模型了。通常来说，前者容易，而且可以n个人一起并行做，有成功经验；后者目前看很赞，能走多远还须拭目以待。