1. 卡方分箱-一种有监督分箱1.1 卡方检验卡方检验是对分类数据的频数进行分析的统计方法；用于分析分类变量和分类变量的关系（相关程度）；卡方检验分为优度检验和独立性检验。1.1.1 拟合优度检验拟合优度检验是对一个分类变量的检验，即根据总体的分布情况，计算出分类变量中各分类的期望频数，与分布的观测频数进行对比，判断期望频数与观察频数是否有显著差异。1.1.2 列联分析：独立性分析独立性检验对两个
one-hot 编码会将原始变量中的每个状态都做为作为一个新的特征，当原始特征状态较多时，数据经过one-hot编码之后特征数量会成倍的增加，同时新特征也会变得过于稀疏。在进行变量筛选的过程中，也会出现原始特征的一部分状态被筛选出来，另一部分状态未被筛选出来，造成特征的不完整。而WOE编码不仅可以解决以上这些问题，同时还可以将特征转化为线性。在建模中，需要对连续变量离散化，特征离散化后，模型会更稳
问题假设12个销售价格记录组已经排序如下：5, 10, 11, 13, 15,35, 50, 55, 72, 92, 204, 215 使用如下每种方法将它们划分成四个箱。等频（等深）划分时，15在第几个箱子内？等宽划分时在第几个箱？分箱问题分为有监督分箱和无监督分箱。无监督分箱等宽分箱 将变量的取值范围分为k个等宽的区间，每个区间当作一个分箱。
1，箱形图的基本概念箱形图（盒形图、盒须图）的理解箱形图三种中Q1 Q2 Q3的计算方式三种：数据未分组按照从下到大的顺序计算。1）index正好是整数，直接计算 ；2）index是浮点数时，按照靠近的index左右权重比计算；3）向上累计和向下累计计算。2，分箱操作分箱操作是一种数据预处理的方法。目的：将连续变量离散化。无监督分箱：（1）等距离（等宽度）分箱：将变量的取值范围分为k个等宽的区间。
文章目录python 等深分箱法（均值平滑技术、边界值平滑技术）理论学习实验及结果等深分箱法（均值平滑技术、边界值平滑技术）等宽分箱法（均值平滑技术、边界值平滑技术） python 等深分箱法（均值平滑技术、边界值平滑技术）理论学习首先，仔细了解熟悉掌握了等深分箱法，等宽分箱法，均值平滑技术，边界值平滑技术，看了好几个博客，个人觉得讲的最清晰明了，对我帮助最大的是数据挖掘如何分箱以及如何对每个箱
转载
2023-08-26 12:44:03
343阅读
本文代码均已在 MATLAB R2019b 测试通过，如有错误，欢迎指正。 文章目录一、分箱平滑的原理二、Matlab代码实现1.等深分箱代码运行结果2.等宽分箱代码运行结果 一、分箱平滑的原理（1）分箱方法 在分箱前，一定要先排序数据，再将它们分到等深（等宽）的箱中。 常见的有两种分箱方法：等深分箱和等宽分箱。等深分箱：按记录数进行分箱，每箱具有相同的记录数，每箱的记录数称为箱的权重，也称箱子的
分箱的几种方法 目标：不同分箱，目标属性相距应尽可能远，比如婴儿和老年在生理和心理上的特征区别明显。等深分箱 排序后，每一个分箱样本的个数是一样的，比如（1，2，3），（5，8，11）分箱个数都是3个。等宽分箱 排序后，每一个分箱所给定的区间划分长度是一样的。最优分享 分箱后标注差异大，比如聚类算法，同一个类别（分箱）之间差异尽可能小，不同类别之间差异尽可能大。业务分享 按照业务上已经成熟的观点、
《数据挖掘与机器学习》复习根据复习阶段遇到的题型列出比较可能考的知识点第1章 绪论这部分基本概念了解即可第2章 数据预处理光滑噪声数据的方法——分箱分箱的方法：有4种：等深分箱法、等宽分箱法、最小熵法和用户自定义区间法。数据平滑方法：有3种按平均值平滑、按边界值平滑和按中值平滑。分箱等深分箱 统一权重，也成等深分箱法，将数据集按记录行数分箱，每箱具有相同的记录数，每箱记录数称为箱子的深度。这是最简
目前在信贷风险建模领域，评分卡建模是最常见的建模方式。为了让模型更加稳定，并且具备较强的识别好坏的能力及可解释性，分箱这一步必不可少。目前不管是python还是R,都有较为成熟的分箱工具，例如等频分箱，最优分箱，卡方分箱，KS分箱等等。但这些工具都是在小样本下，即行列都很少的情况下可以使用，难以处理千万级样本，数十万维特征的场景(例如反欺诈,营销等)，另外分箱后也不一定用于建模，可
1 特征选择1. 1 概述特征选择是一种剔除与标注不相关或冗余的特征的方法，以减少特征集的维度和复杂性，并提高模型的性能和解释能力。特征选择的目标是选择那些对目标变量有预测能力且与其他特征不冗余的特征。特征选择的方法可以分为三类：（1）过滤式（Filter）特征选择：通过对特征进行评估，计算特征与目标变量之间的相关性或其他统计指标，然后根据设定的阈值选择特征。常见的方法包括相关系数、卡方检验、互信
Task3特征工程常见的特征工程包括：异常处理：通过箱线图（或 3-Sigma）分析删除异常值；BOX-COX 转换（处理有偏分布）；长尾截断；特征归一化/标准化：标准化（转换为标准正态分布）；归一化（抓换到 [0,1] 区间）；针对幂律分布，可以采用公式： log(1+x1+median)log(1+x1+median)数据分桶：等频分桶；等距分桶；Best-KS 分桶（类似利用基尼指
python 等深分箱 等宽分箱结合二分箱的数据分析Python里可以通过pcut（等深分箱 每箱的样本量基
原创
2023-02-21 09:31:43
651阅读
目录等距分箱与等频分箱LightGBM分箱算法实现代码GreedyFindBinFindBinWithZeroAsOneBinGetBinsGetCodes 等距分箱与等频分箱在深度学习中，通常需要对连续特征进行离散化处理，这样可以使用嵌入向量表示特征。离散化处理的方法，常见的有等距分箱和等频分箱。等距分箱的缺点是，数据容易集中在某个区间内，导致编号基本相同，丢失大量信息。并且等距分箱通常需要一
转载
2023-09-04 13:06:07
304阅读
等频分箱和等距分箱是无监督分箱，卡方分箱和最小熵值分箱是有监督分箱，需要指定标签。等频分箱区间的边界值要经过选择,使得每个区间包含大致相等的实例数量。比如说 N=10 ,每个区间应该包含大约10%的实例。 无法使用pd.qcut，用Rank_qcut替代def Discretization_EqualFrequency(bins_number, data: pd.DataFrame):
"""
转载
2023-08-04 10:20:44
256阅读
浅谈基于MDLP算法的数据分箱技术
导语
在数学建模当中，有些算法(如Logistic Regression、Naive Bayes)需要将连续型变量进行分箱处理，这样做既可以消除奇异值带来的影响，同时也便于业务部门后期根据模型的结果进行客户细分。但是如果是使用传统的无监督数据分箱（例如等频、等距），效果往往不甚理想。今天小编就来介绍一种简单易操作的监督式分箱技术MDLP（最小描述长度准则）
1.离散的优势：（1）离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；（2）逻辑回归属于广义线性模型，表达能力受限，单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合；（3）离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入
转载
2023-09-04 22:13:53
201阅读
无监督分箱法:等距划分、等频划分等距分箱从最小值到最大值之间,均分为 N 等份, 这样, 如果 A,B 为最小最大值, 则每个区间的长度为 W=(B−A)/N , 则区间边界值为A+W,A+2W,….A+(N−1)W 。这里只考虑边界，每个等份里面的实例数量可能不等。等频分箱区间的边界值要经过选择,使得每个区间包含大致相等的实例数量。比如说 N=10 ,每个区间应该包含大约10%的实例。以上两种算
转载
2023-08-30 08:21:04
255阅读
连续特征离散化有些特征虽然也是数值型的，但是该特征的取值相加相减是没有实际意义的，那么该数值型特征也要看成离散特征，采用离散化的技术。连续特征离散化主要分为有监督方法与无监督方法。无监督方法：无监督方法都具有的问题就是都需要人为规定划分区间这个参数，常用的方法有分箱法和直观划分。分箱法又分为等宽分箱法和等频分箱法，其实从名字就能看出算法的做法了，前者指定定长的间隔将特征放入不同箱子内，后者根据频率
文章目录前言一、总结二、题型汇总1.常微分方程 vs 偏微分方程2.分离变量法3.行波法4.傅里叶变换法总结 前言 期末考试前两周的突击复习，感觉虽然总结的不是很全面，但还是希望把学到的只是记录下来。 一、总结 数理方程部分主要介绍了二阶线性偏微分方程的求解和常微分方程求解有一定的区别。三种物理现象分成了三类方程：双曲型、抛物型和椭圆型。给出定解条件来进行解方程，该类问题成为定解
1.分箱是计算woe前重要的特征工程，能有效避免模型过拟合，提高模型鲁棒性2.分箱的本质是把连续变量离散化3.变量分箱分为有监督分箱和无监督分箱两种4.有监督分箱主要包括卡方分箱和BestKS分箱等5.无监督分箱主要有等频分箱、等距分箱、聚类分箱等4.变量分箱应遵循5项原则：箱子样本数占比不少于训练样本数5%；组间差距尽可能大；必须保证好坏样本；箱子数控制在5~8个；尽可能单调《WOE编码和IV值
