[人工智能]机器学习中分箱的作用及好处

• 分箱就是将连续变量离散化，合并成较少的状态

• 作用:

1. 离散特征的增加和减少都很容易，易于模型的快速迭代；
2. 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；
3. 分箱（离散化）后的特征对异常数据有很强的鲁棒性
4. 单变量分箱（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
5. 分箱（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；
6. 分箱（离散化）后，模型会更稳定，如对年龄离散化，20-30为一个区间，不会因为年龄+1就变成一个新的特征。
7. 特征离散化以后，可以将缺失作为独立的一类带入模型