为什么连续值特征比离散值特征好

声明：本文是根据一篇英文博客翻译加自己总结得到的，如果造成侵权，请联系本人删除。

 

最近在做特征工程，看到这篇文章很受启发。原文链接：

http://blog.minitab.com/blog/understanding-statistics/why-is-continuous-data-better-than-categorical-or-discrete-data

原文的题目是——为什么连续值比类别或者离散值“好”。原文作者首先回顾什么是离散值，什么是连续值。

当我们给事物定一个名字的时候，我们就造了一个属性或者说是类别。当我们给事物计数时，我们就收集到了离散值。当我们用（理论上的）无限级衡量事物时，就有了连续值。

原文作者给出了一个总结：

• Categorical = naming or grouping data
• Discrete = count data
• Continous = measurement data

如果细究起来，其实我们对事物的描述是没有连续值的，因为总有一些值是取不到的。就像频幕上画出来一条线，看起来是连续的，但实际上还是用一个个点连起来的，对于这个问题，原文作者给出了一个他自己对离散和连续的理解。

 

作者认为，连续值和离散值就是一个测量单位的问题（a question of scale）.例如要测量生产线上标准重量为16-盎司的谷物盒子，看它是不是至少是16-盎司，同时又不超过16.5盎司。

如果用磅为单位来测量（16盎司=1磅），那就只能得到<1磅，=1磅和大于1磅三个结果。如果用盎司作为单位测量，就能够更加精确的知道每个盒子到底离1磅差了多少。

 

哪些事连续值能够做到而离散值不行呢？

接着上面的例子，原文作者展现了从离散值的粗略测量到连续值的精确测量。

设定谷物盒子重量少于1磅是Bad，否则是Good，那么统计100个谷物盒子，我们能够得到下面的一个柱状图：

 

如果我们换一下统计方法，统计<1磅，=1磅和>1磅的情况，100个盒子的情况如下面的饼图：

比起刚才的柱状图，我们知道的细节更多了，谷物盒超重的比例更高（谷物装多了）。

 

更进一步，用盎司为单位测量每个盒子的重量，就能得到下面的一个图：

可以看到，盒子的平均重量是1磅，但是偏差很大，标准差是0.9，值的范围从12盎司到20盎司。

 

接下来，用0.001盎司作为测量单位，测量得到的数据就能够支持更多的分析了。数据能够区分出0.5盎司的重量，因此就可以看看生产线是否能够持续生产重量在16到16.5盎司之间的成品，如下图：

 原文作者用的是Minitab分析工具，我没有用过，但是从上面的图上明显看到：测量值的均值并不是在16盎司，作为老板，就要去改进生产线了。

原文最后还介绍了一个I-MR control chart,我不明白是什么东西，感兴趣的可以参见原文。

 

原文作者提到的这个问题在我的项目中也有体会。对于推荐问题我也更多的用到连续特征：

• 有无附件->附件的词数；
• 附件类型->附件类型的重要度；
• 来源->来源重要度；
• 文种->文种比例。

等等。

我认为这样做的好处是：

1）更加精细的反应数据特性，便于模型处理

  比如有无附件换成附件大小，就能够让模型根据附件大小学到一个分类界面，这个比有无附件这样的01特征肯定效果更好。

2）在特征工程阶段就将问题尽量变成线性

  比如来源特征，直接加到问题里面，就是一个离散特征，要用决策树一类的方法才能处理，而且是个非线性问题，如果换成来源重要度，就变成连续值，而且是线性可分的连续特征。

3）去除不必要的特征噪声

文种->文种比例，不用关心具体文种。

 

转载于:https://www.cnblogs.com/yucaodie/p/6948534.html