二元轉換binarizer
binarizer是將連續型變數根據某個閾值，轉換成二元的分類變數。
小於該閾值的轉換為0，大於該閾值的轉換為1。
要求輸入列必須是double，int都會報錯。
如下：輸入的是0.1，0.8，0.2連續型變數，要以0.5為閾值來轉換成二元變數（0,1）。
列印結果：
binarizer output with threshold = 0.5+---+-------+-----------------+
| id|feature|binarized_feature|
+---+-------+-----------------+
| 0| 0.1| 0.0|
| 1| 0.8| 1.0|
| 2| 0.2| 0.0|
+---+-------+-----------------+
多了乙個新的列，它就是轉換後產生的新的特徵。
什麼時候會用到二元轉換？
比如使用樸素貝葉斯做分類**的時候，輸入的特徵必須是類別型的，如果在原始的特徵資料集中存在連續型的特徵變數，就需要將它轉換成二元的類別變數。
多元轉換（分桶bucketizer）
同樣是連續型變數，如果分成兩類還不夠，同樣也可以分成多類。
二元轉換的時候需要給出乙個閾值，在多元換轉換中，如果要分成n類，就要給出n+1個閾值組成的array，任意乙個數都可以被放在某兩個閾值的區間內，就像把它放進屬於它的桶中，故稱為分桶策略。
比如有x,y兩個閾值，那麼他們組成的區間是[x,y)的前開後閉區間；
對於最後乙個區間是前閉後閉區間。
給出的這個閾值array，裡面的元素必須是遞增的。
如果在轉換的過程中有乙個數沒有被包含在區間內，那麼就會當成錯誤值（對錯誤值的處理可以通過引數配置）。如果不確定特徵值的最小與最大值，那麼就新增double.negativeinfinity（負無窮）和double.positiveinfinity（正無窮）到array的兩側。
bucketizer output with 4buckets
+--------+----------------+
|features|bucketedfeatures|
+--------+----------------+
| -999.9| 0.0|
| -0.5| 1.0|
| -0.3| 1.0|
| 0.0| 2.0|
| 0.2| 2.0|
| 999.9| 3.0|
+--------+----------------+
第一列為原始的連續型特徵，第二列為轉換後的分類索引。
分位數離散化quantilediscretizer
與上面兩個方法一樣，quantilediscretizer（分位數離散化）也是將一列連續型的資料轉成分型別資料。
通過指定要分為多少類，然後取乙個樣本資料進行fit，並將其分為每個類別的元素個數大致相等，來得到乙個固定閾值array的bucketizer，其閾值array的下限為-infinity(負無重大) ，上限為+infinity(正無重大)。
分級的數量由numbuckets引數決定。
分級的範圍有漸進演算法決定。
漸進的精度由relativeerror引數決定。當relativeerror設定為0時，將會計算精確的分位點（計算代價較高）。
但如果樣本資料只劃分了3個區間，此時設定numbuckets為4，則仍只劃分為3個區間。
Spark 特徵處理之資料離散化
binarizer是將連續型變數根據某個閾值，轉換成二元的分類變數。小於該閾值的轉換為0，大於該閾值的轉換為1。要求輸入列必須是double，int都會報錯。如下 輸入的是0.1，0.8，0.2連續型變數，要以0.5為閾值來轉換成二元變數 0,1 列印結果 binarizer output with...
特徵離散化
在工業界，很少直接將連續值作為邏輯回歸模型的特徵輸入，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 0.離散特徵的增加和減少都很容易，易於模型的快速迭代 1.稀疏向量內積乘法運算速度快，計算結果方便儲存，容易擴充套件 2.離散化後的特徵對異常資料有很強的魯棒性 比如...
特徵工程 資料離散化方法
離散化特徵的增加和減少都很容易，有利於模型的快速迭代 可以有效地避免一些異常資料的干擾，降低資料波動的影響，提高抗雜訊能力，模型結果更穩定 一些演算法的需要，如分類樹 樸素貝葉斯演算法等，是基於離散化資料展開的 減小演算法的空間和時間開銷，起到簡化模型的作用，降低過擬合的風險，提高系統的分類聚類能力...