【发布时间】：2021-01-08 22:05:34
【问题描述】：
我有一个糖尿病患者数据集，该数据集已用于在中风、截肢等多种结果中训练 xgboost 模型。最初我们按原样使用连续数值变量，但我们发现结果不明确，因为例如年龄给我们的结果表明，年龄越大中风的风险越高。
但是，对于我们作为医生来说，我们需要一个更窄的范围，因此我们将这些变量划分为 bin。事实上，这给了我们更多的洞察力。尽管如此，我们发现我们的结果中出现了一些连续的区间非常接近。
继续上面的示例，bin(64-78) 和 bin(79-88) 依次出现，并且年龄变量中没有其他 bin 出现。所以我们认为，在这种情况下，最好的方法是找到年龄开始成为中风危险因素的最佳切点。
然后我看到了这个文档 (https://www.mayo.edu/research/documents/biostat-79pdf/doc-10027230)，它在 SAS 中解释了如何找到这些切点。我没有足够的经验来自己编程，所以我想知道如何在 python 中找到这些切点？
请限制使用该语言，我已经看过 R、SAS，甚至 SPSS 示例，但在 python 中没有。在 Python 中必须有某种方法可以做到这一点。
【问题讨论】：
-
有趣的问题，但更适合 stats.stackexchange.com。
-
决策树为每个变量提供“最佳”二元切割。您可以使用决策树来识别一些箱。
标签： python machine-learning statistics xgboost