machine-learning - 对数值特征进行分箱后该怎么办？

Question

我想知道分箱后该怎么做。例如，特征之一是年龄。所以我的数据是 [11, 12, 35, 26]。

然后我应用大小为 10 的分箱：

箱子，名字

[0, 10) --> 1

[10, 20) --> 2

[20, 30) --> 3

[30, 40) --> 4

然后我的数据变成 [2, 2, 4, 3]。现在假设我想将此数据置于线性回归模式。我应该将 [2, 2, 4, 3] 视为数字特征吗？还是应该将它们视为分类特征，例如先进行一次热编码，然后将其提供给模型？

Answer 1

如果您正在构建线性模型，那么对这些 bin 进行热编码可能是更好的选择，因此如果与目标存在任何线性关系，ohe 将保留它。

如果您正在构建基于树的模型，例如随机森林，那么您可以使用 [2, 2, 4, 3] 作为数值特征，因为这些模型是非线性的。

如果构建回归模型并且不想使用 ohe 扩展特征空间，则可以将 bin 视为分类变量，并使用均值/目标编码对该变量进行编码，或者通过遵循每个 bin 的目标均值来使用数字进行编码。

有关本文最后 2 个过程的更多详细信息。

免责声明：我写了这篇文章。