很多時候我們在做評分卡的時候，需要對資料進行離散化。那麼邏輯回歸為什麼要進行特徵離散化呢？
主要是由於以下幾個原因：
1、模型穩定性和魯棒性。離散後的特徵能夠去除雜訊，對異常值不再敏感，可以加強模型的穩定性。例如在評分卡中有乙個變數收入手機使用時長5000個月，這個資料明顯異常，但是我們對變數分箱以後，例如》50是乙個分箱，那麼這個值對模型的**結果就沒有太大的影響了。分箱後，不會出現乙個變數使用月份增加1個月就變了乙個人的情況。
2、簡化模型：特徵離散化後就降低了樣本中的個別資訊對模型的影響，降低模型的過擬合的風險。
3、計算更快速：更少的變數會運算複雜的大大降低，加快計算速度。
4、易於解釋性：在評分卡中我們通常要求分箱的變數具有單調性或u型。這就方便我們對業務的解釋能力。
邏輯回歸處理非線性特徵，特徵離散化以及高維稀疏特徵
我們都知道邏輯回歸是個線性分類器，它的分類器形式為 f x 1 x1 2x2 nx nf x theta 1x 1 theta 2x 2 theta nx n f x 1 x1 2 x2 n xn 所說的線性是關於引數 theta 的線性，雖然它會經過乙個sigmoid函式的對映，加入對映之後，會演...
邏輯回歸LR的特徵為什麼要先離散化
在工業界，很少直接將連續值作為特徵餵給邏輯回歸模型，而是將連續特徵離散化為一系列0 1特徵交給邏輯回歸模型，這樣做的優勢有以下幾點 1.稀疏向量內積乘法運算速度快，計算結果方便儲存，容易scalable 擴充套件 2.離散化後的特徵對異常資料有很強的魯棒性 比如乙個特徵是年齡 30是1，否則0。如果...
邏輯回歸LR的特徵為什麼要先離散化
在工業界，很少直接將連續值作為特徵餵給邏輯回歸模型，而是將連續特徵離散化為一系列0 1特徵交給邏輯回歸模型，這樣做的優勢有以下幾點 1.稀疏向量內積乘法運算速度快，計算結果方便儲存，容易scalable 擴充套件 2.離散化後的特徵對異常資料有很強的魯棒性 比如乙個特徵是年齡 30是1，否則0。如果...