机器学习处理离散数据_机器学习处理数据为什么把连续性特征离散化，离散化有何好处？...

秒速五厘米 2022-10-25 04:53 153阅读 0赞

在机器学习中，很多人在处理数据的时候，经常把连续性特征离散化。为此挺好奇，为什么要这么做，什么情况下才要做呢。

**一、离散化原因**

数据离散化是指将连续的数据进行分段，使其变为一段段离散化的区间。分段的原则有基于等距离、等频率或优化的方法。数据离散化的原因主要有以下几点：

1、算法需要

比如决策树、朴素贝叶斯等算法，都是基于离散型的数据展开的。如果要使用该类算法，必须将离散型的数据进行。有效的离散化能减小算法的时间和空间开销，提高系统对样本的分类聚类能力和抗噪声能力。

2、离散化的特征相对于连续型特征更易理解，更接近知识层面的表达

比如工资收入，月薪2000和月薪20000，从连续型特征来看高低薪的差异还要通过数值层面才能理解，但将其转换为离散型数据（底薪、高薪），则可以更加直观的表达出了我们心中所想的高薪和底薪。

3、可以有效的克服数据中隐藏的缺陷，使模型结果更加稳定

**二、离散化的优势**

在工业界，很少直接将连续值作为逻辑回归模型的特征输入，而是将连续特征离散化为一系列0、1特征交给逻辑回归模型，这样做的优势有以下几点：

1. 离散特征的增加和减少都很容易，易于模型的快速迭代；

2. 稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；

3. 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；

4. 逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合；

5. 离散化后可以进行特征交叉，由M+N个变量变为M\*N个变量，进一步引入非线性，提升表达能力；

6. 特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问；

7. 特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。

**三、离散化的方法**

1、无监督学习方法

等宽法

等宽法即是将属性值分为具有相同宽度的区间，区间的个数k根据实际情况来决定。比如属性值在\[0，60\]之间，最小值为0，最大值为60，我们要将其分为3等分，则区间被划分为\[0,20\] 、\[21,40\] 、\[41，60\]，每个属性值对应属于它的那个区间

等频法

等宽法即是将属性值分为具有相同宽度的区间，区间的个数k根据实际情况来决定。比如有60个样本，我们要将其分为k=3部分，则每部分的长度为20个样本。

基于聚类的方法

基于聚类的方法分为两个步骤，即：

选定聚类算法将其进行聚类

将在同一个簇内的属性值做为统一标记。

注：基于聚类的方法，簇的个数要根据聚类算法的实际情况来决定，比如对于k-means算法，簇的个数可以自己决定，但对于DBSCAN，则是算法找寻簇的个数。

2、有监督学习方法：

1R方法

基于信息熵的方法

基于卡方的方法

**四、总结**

模型是使用离散特征还是连续特征，其实是一个“海量离散特征+简单模型” 同 “少量连续特征+复杂模型”的权衡。既可以离散化用线性模型，也可以用连续特征加深度学习。就看是喜欢折腾特征还是折腾模型了。通常来说，前者容易，而且可以n个人一起并行做，有成功经验；后者目前看很赞，能走多远还须拭目以待。

发表评论取消回复

表情：

评论列表（有 0 条评论，153人围观）

还没有评论，来说两句吧...

相关阅读

相关「Python 数据处理基础」数据特征处理离散化和二值化应用

文章目录数据离散化和类型数据离散化和类型操作数据的逻辑分层，所谓离散化是将无限空间中的有限个体映射到有限空间。数据离散化操作主要在连续数据上执行。处理

野性酷女/ 2023年01月24日 02:22/ 0 赞/ 318 阅读

相关【机器学习】离散型特征为什么要用One-Hot编码？

> 以前专门思考过这个问题，碰巧今天又遇到了，记录一下。数据集中的特征分为离散型特征和连续型特征，在机器学习算法中，特征之间距离的计算是十分重要的，因此，直接把离散变量的取

谁践踏了优雅/ 2023年01月23日 13:53/ 0 赞/ 95 阅读

相关机器学习处理离散数据_机器学习处理数据为什么把连续性特征离散化，离散化有何好处？...

在机器学习中，很多人在处理数据的时候，经常把连续性特征离散化。为此挺好奇，为什么要这么做，什么情况下才要做呢。一、离散化原因数据离散化是指将连续的数据进行分段，使其变

秒速五厘米/ 2022年10月25日 04:53/ 0 赞/ 154 阅读

相关【离散化】【转载】

如果说今年这时候OIBH问得最多的问题是二分图，那么去年这时候问得最多的算是离散化了。对于“什么是离散化”，搜索帖子你会发现有各种说法，比如“排序后处理”、“对坐标的近似处理”

迷南。/ 2022年06月10日 09:46/ 0 赞/ 161 阅读

相关机器学习之离散型特征的处理-one hot encoder

转载自[https://www.cnblogs.com/daguankele/p/6595470.html][https_www.cnblogs.com_daguankele_

缺乏、安全感/ 2022年06月01日 14:24/ 0 赞/ 201 阅读

相关离散化板子

include<iostream> include<algorithm> include<vector> using namespace std

雨点打透心脏的1/2处/ 2022年03月16日 11:38/ 0 赞/ 187 阅读

相关机器学习入门-数值特征-连续数据离散化(进行分段标记处理) 1.hist(Dataframe格式直接画直方图)...

函数说明: 1. .hist 对于Dataframe格式的数据，我们可以使用.hist直接画出直方图对于一些像年龄和工资一样的连续数据，我们可

我就是我/ 2022年01月05日 23:13/ 0 赞/ 132 阅读

相关【离散化】

\ 离散化 |||离散化就是三句话，sort，unique，lower\_bound||| 1.专业术语：把无限空间中有限的个体映射到有限的空间中去，以此提高算法的

心已赠人/ 2021年10月30日 06:52/ 0 赞/ 301 阅读

相关离散化总结

离散化是一种很常见的数据处理方式。最近也是学了一下(才学的我还有救么QAQ)，一学就懂，但发现在题目中好像也并没有怎么想到这东西，，所以在这里简单总结一下我对离散化的

梦里梦外;/ 2021年10月26日 13:34/ 0 赞/ 323 阅读

相关 # 离散化

离散化值得注意的是：unique()函数去重之后并不是把重复元素放在最末尾，而是类似于删除了这个数，然后末尾元素保持不变，比如`1 2 2 3`去重之后是`1 2

￡神魔★判官ぃ/ 2021年10月25日 12:50/ 0 赞/ 280 阅读