什么时候应该在数据处理中使用 Data Binning？答案

【问题标题】：When should Data Binning be used in data processing?什么时候应该在数据处理中使用 Data Binning？
【发布时间】：2021-04-04 21:43:48
【问题描述】：

在数据预处理中，数据分箱是一种将特征的连续值转换为分类值的技术。例如，有时，数据集中age 特征的值被替换为以下区间之一：

[10,20),
[20,30),
[30,40].

什么时候是使用数据分箱的最佳时间？它是否（总是）在预测系统中产生更好的结果，或者它可能作为试错法发挥作用？

【问题讨论】：

标签： data-science data-mining data-processing binning feature-engineering

【解决方案1】：

主要是试错。当您将分箱应用于连续变量时，您会自动丢弃一些信息。许多算法更喜欢连续输入来进行预测，并且许多算法会自己对连续输入进行分类。如果您的连续变量有噪声，则应用分箱是明智的，这意味着您的变量的值没有非常准确地记录。然后，分箱可以减少这种噪音。有分箱策略，例如等宽分箱或等频分箱。当您的连续变量分布不均匀时，我建议避免等宽分箱。

【讨论】：

不管降噪如何，说Binning以一种好的/有用的方式降低了特征空间的复杂度是真的吗？也就是说，在一个维度上具有连续值的样本（在我们的示例中为age）将堆叠在特定的离散点上，那么，要么没有效果，要么效果好？
嗯，除了降噪之外，我不能确定在特定离散点上堆叠会更好。我的意思是，如果您的年龄是连续的，您的算法可能会将所需的特征归因于介于两个分组年龄组之间的组，这意味着如果您要分类为“信誉好”或“坏”，那么输入 25 岁可能会有所贡献比 A 组（由 18-25 岁的人组成）对最终输出更有意义。