什么是特征分箱（离散化）？为什么连续特征要分箱？

简化版

特征分箱（Binning / 离散化） 是把连续特征切成若干区间，用区间（箱）替代原始连续值。目的：引入非线性（让线性模型能表达分段关系）、增强鲁棒性（抗离群点和噪声）、便于业务解释（如年龄段）、减少过拟合。常见方法：等宽分箱（按值域均分）、等频分箱（每箱样本数相同）、基于目标的分箱（卡方分箱、决策树分箱，让箱与目标相关性最大）。风控里常配合 WOE 编码把箱转成数值。代价是损失部分信息、边界附近样本被硬切开、箱数是超参数。

详细版

主流分箱方法：

方法	做法	优点	缺点
等宽分箱	值域等分成 k 段	简单直观	分布不均时某些箱空/挤
等频分箱	每箱样本数相同（按分位）	抗偏态、箱均衡	相同值可能被切到不同箱
卡方分箱	自底向上合并卡方值小的相邻箱	箱与目标相关性强	需要标签、较慢
决策树分箱	用单特征训练树，切分点当箱界	有监督、切点最优	需要标签
聚类分箱	一维聚类（如 K-means）	无监督、自适应	需定簇数

为什么分箱：

给线性模型注入非线性：分箱 + One-Hot/WOE 后，每个区间有独立权重，能表达「非单调 / 分段」关系。
鲁棒性：离群点被归入端点箱，影响被限制。
可解释、可稳定：业务上「25-35 岁」比「精确到岁」更好解释、更稳定。

代价： 信息损失、边界效应（相邻值被硬分到不同箱）、需要调箱数。

完整版教学

一、分箱到底在做什么

分箱就是把一个连续变量（如年龄 18~80）切成几个区间，然后用「落在哪个区间」代替具体数值：

年龄:  18, 22, 35, 41, 68
分箱:  [18-30) [30-45) [45-60) [60+]
结果:   青年    中青年   中年     老年

之后可以把箱当类别特征（One-Hot），也可以给每个箱赋一个数值（如 WOE、箱序号、箱内目标均值）。看起来是「把精确变粗糙」，为什么反而有用？下面逐条讲。

二、最重要的动机：给线性模型注入非线性

线性模型（线性/逻辑回归）对连续特征只能学一个单调、线性的关系：w × 年龄。但真实关系常常非单调——比如「违约率」随年龄先降后升（年轻人和老年人都偏高，中年最低）。一个固定的权重 w 根本表达不了这种「U 形」。

分箱 + One-Hot（或 WOE）后，每个年龄段获得独立的权重：

青年段 → w₁
中年段 → w₂
老年段 → w₃

模型可以让 w₁、w₃ 大、w₂ 小，从而拟合出「两头高中间低」的非线性关系。这就是风控评分卡里几乎所有连续特征都要分箱的核心原因——用简单可解释的逻辑回归，靠分箱表达复杂的非线性。

三、其他好处：鲁棒、稳定、可解释

抗离群点/噪声：一个异常大的收入值，分箱后只是落进「最高收入箱」，不会像连续值那样以巨大数值影响线性模型或距离。分箱天然「截断」了极端值的影响。
稳定、抗过拟合：连续值的微小抖动（这月收入 8000、下月 8100）不改变所属箱，模型对小波动不敏感，泛化更稳。
业务可解释：「25-35 岁、月入 1-2 万」这样的分段，比精确到个位的数值更符合业务表达，也便于制定规则。

四、无监督分箱：等宽 vs 等频

等宽分箱：把值域 [min, max] 均分成 k 段，每段宽度相同。

简单，但遇到偏态分布会很糟：若数据集中在低值区，大部分样本挤进头一两个箱，高值箱几乎是空的，区分度差。

等频分箱（分位数分箱）：让每个箱内样本数大致相等（按分位点切）。

抗偏态，箱均衡，是无监督分箱里更常用的。缺点：若大量样本取值相同（如很多人收入为 0），同一个值可能被迫切到不同箱，或某箱无法均分。

五、有监督分箱：让箱和目标最相关

无监督分箱没用到标签，切出来的箱未必对预测有利。有监督分箱利用目标变量，让每个箱对目标的区分度最大：

卡方分箱（ChiMerge）：自底向上，先把每个值当一个箱，反复合并卡方值最小（即目标分布最相似）的相邻箱，直到达到箱数或卡方阈值。相邻箱目标分布越像越该合并——保证最终每个箱内目标分布纯、箱间差异大。
决策树分箱：用单个特征训练一棵决策树预测目标，树自动找的分裂点就是最优箱界（因为树的分裂本身就是在最大化目标纯度增益）。
最优分箱（Optimal Binning）：在「单调性、最小样本占比、箱数」等约束下优化箱界，风控评分卡常用（要求 WOE 单调）。

六、分箱后的编码：WOE 是风控标配

分好箱后要给箱赋值。除了 One-Hot、序号、箱内目标均值，风控里最常用 WOE（Weight of Evidence，证据权重）：

WOE_i = ln( (箱内坏样本数/总坏样本) / (箱内好样本数/总好样本) )

WOE 把每个箱转成一个反映「该箱好坏比相对整体」的数值，天然适合逻辑回归，且能保证单调性、可解释性。
配套的 IV（信息价值） 用来衡量整个特征的预测力，常用来做特征选择。

七、代价与常见坑

信息损失：分箱把连续值压成区间，丢掉了箱内的精细差异。箱太粗损失大，箱太细又退化成连续、失去分箱意义——箱数是要调的超参数。
边界效应：29.9 岁和 30.1 岁被硬切进不同箱，明明很接近却被当成不同段。
有监督分箱会泄露：卡方/树分箱用到了标签，必须只在训练集上确定箱界，再套到验证/测试集，否则数据泄露。
树模型通常不需要分箱：树本身就在做「按阈值切分」的自动离散化，手工分箱往往多此一举甚至有害。分箱主要服务于线性模型 / 评分卡。

八、用数字和工程流程校验理解

年龄 [18,25,37,52] 可按 [0,30)、[30,50)、[50,+∞) 分成青年、中年、老年 3 箱。在线性模型中 37 与 52 不再被迫维持同一线性斜率，但代价是同箱内部差异被抹平，边界两侧还会产生跳变。

对象/方案	核心机制	选择或风险
等宽	每箱区间宽度相同	易受极值和偏态影响
等频	每箱样本数近似相同	边界可能重复、区间宽度不均
有监督分箱	利用目标信息选择切点	必须仅在训练数据拟合

把面试题落到可执行流程：

fit boundaries on training data
map continuous x -> bin id
encode bin by one-hot/WOE
reuse fixed boundaries online

分箱是一种有损变换；它能提高鲁棒性和可解释性，不代表信息只会增加不会减少。

九、常见误区与追问

误区：分箱越细，模型效果一定越好。 过细会使每箱样本少、方差高，也可能重新接近对噪声的拟合。
误区：WOE 可以在全量数据上计算。 WOE 使用标签，必须在训练折中估计，否则发生目标泄露。
追问：树模型还需要人工分箱吗？ 树本身学习阈值，通常不需要；监管解释、稳定性或单调约束场景可能仍使用。
追问：测试值超出训练边界怎么办？ 预先设置 -∞ 与 +∞ 兜底箱，并固定未知处理策略。
追问：如何选箱数？ 结合最小箱样本量、单调性、稳定性和交叉验证，而不是只看训练分数。

十、加强记忆

记忆时抓住这条主线：分箱 = 把连续特征切成区间，核心价值是给线性模型注入非线性（每个箱独立权重，能拟合先降后升等非单调关系，这是风控评分卡的命根子），附带抗离群、更稳定、可解释。方法分两档：无监督（等宽简单但怕偏态、等频均衡更常用）和有监督（卡方分箱合并目标分布相似的相邻箱、决策树分箱用切点、最优分箱保单调），有监督更贴目标但箱界只能在训练集定、防泄露。分箱后常用 WOE 编码喂给逻辑回归、IV 做特征筛选。代价是信息损失、边界效应、箱数要调；树模型自带离散化，一般不用手工分箱。

简化版

详细版