一般在建立分類模型時，需要對連續變量離散化，特征離散化后，模型會更穩定，降低了模型過擬合的風險。比如在建立申請評分卡模型時用logsitic作為基模型就需要對連續變量進行離散化，離散化通常采用分箱法。
分箱的重要性及其優勢
- 離散特征的增加和減少都很容易，易於模型的快速迭代；
- 稀疏向量內積乘法運算速度快，計算結果方便存儲，容易擴展；
- 離散化后的特征對異常數據有很強的魯棒性：比如一個特征是年齡>30是1，否則0。如果特征沒有離散化，一個異常數據“年齡300歲”會給模型造成很大的干擾；
- 特征離散化后，模型會更穩定，比如如果對用戶年齡離散化，20-30作為一個區間，不會因為一個用戶年齡長了一歲就變成一個完全不同的人。當然處於區間相鄰處的樣本會剛好相反，所以怎么划分區間是門學問；
- 特征離散化以后，起到了簡化了邏輯回歸模型的作用，降低了模型過擬合的風險。
- 可以將缺失作為獨立的一類帶入模型。
原文鏈接：https://blog.csdn.net/pylady/article/details/78882220