一.定義

分箱就是將連續變量離散化

二.好處

儲存空間小

將所有變量變換到相似的尺度上

對異常數據有很強的魯棒性

引入了非線性

使模型會更穩定，降低了模型過擬合的風險，提升模型表達能力，加大擬合

三.方法

關于變量分箱主要分為兩大類：有監督型和無監督型

A. 無監督：

(1) 等寬 (2) 等頻 (3) 聚類

#coding:utf-8 from sklearn.cluster import KMeans import numpy as np import pandas as pdpd.cut(np.array([.2, 1.4, 2.5, 6.2, 9.7, 2.1]),3, labels=["good", "medium", "bad"])#等寬 pd.qcut(range(5), 3, labels=["good", "medium", "bad"])#等頻#聚類 k=4 data = np.array([1]*10+[2]*5+[100]*4+[3000]*100) kmodel = KMeans(n_clusters = k) kmodel.fit(data.reshape(-1,1)) c = pd.DataFrame(kmodel.cluster_centers_).sort_values(0) w = c.rolling(2).mean().iloc[1:] w = [data.min()-1] + list(w[0]) + [data.max()+1] data_kmean = pd.cut(data, w, labels = range(k))

B.有監督

因變量為離散：

一.卡方分箱法(ChiMerge)：

卡方值：類分布的相似性。低卡方值表明它們具有相似的類分布。

算法：

二.Best-KS分箱

KS值：KS值越大，表示該變量越能將正，負客戶的區分程度越大。

KS的計算方式：

計算每個評分區間的好壞賬戶數。

計算各每個評分區間的累計好賬戶數占總好賬戶數比率（good%)和累計壞賬戶數占總壞賬戶數比率（bad%）。

計算每個評分區間累計壞賬戶比與累計好賬戶占比差的絕對值（累計good%-累計bad%），然后對這些絕對值取最大值記得到KS值。

算法：

將特征值值進行從小到大的排序。

計算出KS最大的那個值，即為切點，記為D。然后把數據切分成兩部分。

重復步驟2，進行遞歸，D左右的數據進一步切割。直到KS的箱體數達到我們的預設閾值即可。

Best-KS分箱的特點：

連續型變量：分箱后的KS值<=分箱前的KS值

分箱過程中，決定分箱后的KS值是某一個切點，而不是多個切點的共同作用。這個切點的位置是原始KS值最大的位置。
?

因變量為連續：

單變量決策樹算法

?

總結

以上是生活随笔為你收集整理的分箱（binning）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。