知识卡片
连续特征分箱离散化
分箱(离散化)把连续特征切成有限个取值区间,是对归一化的补充:当存在异常值或分布难转正态时,分箱让数据更稳定、鲁棒。好处包括——降低过拟合风险;把缺失值当作独立一箱带入;让模型能拟合与目标的非线性关系(逻辑回归单变量离散为 N 个后相当于引入非线性);便于迭代与稀疏内积加速。常用无监督分箱:等频分箱(按数量均分,推荐场景常用)、等宽分箱(按值域均分)。细节:要把 NAN/众数值单独成箱再对其余分箱;分箱数按分布起伏设定,作者推荐等频、箱数 20 再用二分法验证 AUC/GAUC。注意:分箱会损失信息(偏差变大),需权衡箱数。相关卡见 [[连续特征标准化归一化]]、[[有监督分箱IV与WOE]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 构建推荐系统的特征 3.3 怎么处理连续特征 · 查看原书依据
单变量离散化为 N 个后,每个变量都有单独的权重,相当于为模型引入了非线性功能,能够提升模型表达能力,加大拟合
参考来源
- 位置:《推荐系统全链路设计:原理解读与业务实践》第3章《构建推荐系统的特征》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/35.html;src-021)
- 结论依据:原文指出分箱用于解决异常值/难正态时拟合困难,说明其鲁棒、降过拟合、引入非线性等好处,并给出等频/等宽分箱及箱数控制经验,支撑本卡。
- 原始内容:单变量离散化为 N 个后,每个变量都有单独的权重,相当于为模型引入了非线性功能,能够提升模型表达能力,加大拟合