逻辑分析:
逻辑回归属于广义线性模型,分类任务寻找的是分类临界。
低于LR,从离散数据中寻找临界比连续数据更容易,离散化本身也引入了非线性变换,提升了数据表达能力。
效果分析:
在工业界,很少直接将连续值作为逻辑回归的特征输入,而是将连续特征离散化为一系列0, 1 特征交给逻辑回归模型,这样做的优势有以下几点:
- 离散特征的增加和减少都很容易,易于模型迭代
- 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
- 离散化的特征对异常数据有很强的鲁棒性,比如一个特征是年先>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”就会给模型造成很大的干扰性
- 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,每个变量都有单独的权重,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。
- 离散化后可以进行特征交叉,有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
- 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,不会因为一个用户年龄长了一岁就变成一个完全不同的人,当然处于区间相邻处的样本刚好相反,所以怎么划分区间是门学问。
- 特征离散化之后,起到了简化了逻辑回归模型的作用,降低了模型过拟合风险。