什么时候应该在数据处理中使用数据分箱？
When should Data Binning be used in data processing?
在数据预处理中，Data Binning 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间隔之一：
[10,20),
[20,30),
[30,40].
什么时候是使用数据分级的最佳时机？它（总是）会在预测系统中产生更好的结果，还是可以作为试错法工作？
主要是反复试验。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，那么分箱是明智的应用，这意味着您的变量值没有被非常准确地记录下来。然后，装箱可以减少这种噪音。存在分箱策略，例如等宽分箱或等频分箱。当连续变量分布不均匀时，我建议避免等宽分箱。
在数据预处理中，Data Binning 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间隔之一：
[10,20),
[20,30),
[30,40].
什么时候是使用数据分级的最佳时机？它（总是）会在预测系统中产生更好的结果，还是可以作为试错法工作？
主要是反复试验。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，那么分箱是明智的应用，这意味着您的变量值没有被非常准确地记录下来。然后，装箱可以减少这种噪音。存在分箱策略，例如等宽分箱或等频分箱。当连续变量分布不均匀时，我建议避免等宽分箱。