分箱计数--减少数据稀疏度

分箱逻辑：

1.类别型特征：

• 1）类别数在5个以下，可以直接根据类别来分箱 (binning_cate)
• 2）类别数在5个以上，建议做降基处理，再根据降基后的类别做分箱

2.数值型特征：

• 1）离散型数值特征（特征value的变动幅度较小）：
  若特征value的非重复计数在5个以下，可以直接根据非重复计数值来分箱(binning_cate)
  若特征value的非重复计数在5个以上，建议根据业务解释或者数据分布做自定义分箱(binning_self)
• 2）连续型数值特征（特征value的变动幅度较大）：
  可以用卡方分箱或自定义分箱。(binning_num,binning_self)
  PS:一些特征用卡方分可能会报错，建议这些特征改为手动自定义分箱

3.缺失型特征：

• 1）缺失率在5%以下，可以先对缺失做填充处理再分箱(binning_num)
• 2）缺失率在5%以上，建议将缺失当作一个类别来分箱(binning_sparse_col)

4.稀疏型特征分箱

• 建议将稀疏值（一般为0）单独分为一箱，剩下的值做卡方或者自定义分箱(binning_sparse_col)

离散的优势：

• （1）离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；
• （2）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；
• （3）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；
• （4）可以将缺失作为独立的一类带入模型；
• （5）将所有变量变换到相似的尺度上。

分箱方法

        关于变量分箱主要分为两大类：有监督型和无监督型

• 无监督：(1) 等宽 (2) 等频 (3) 聚类
• 有监督：