第 121 题：连续特征分桶，等频 vs 等宽 vs 基于树的自适应分桶？
题目
连续特征分桶，等频 vs 等宽 vs 基于树的自适应分桶？
完整讲解
一、连续特征分桶的目的
连续特征（价格、年龄、时长等）若直接进模型，线性项只能学线性关系、且易受尺度与异常值影响。分桶将连续值映射为离散 bin，再做嵌入或 one-hot，使模型能学非线性与分段模式，且对尺度与异常值更鲁棒。
二、等频（Quantile）分桶
- 做法：按分位数划分，使每个桶内样本数大致相等。如 10 桶则取 10%, 20%, …, 90% 分位数为边界。
- 优点：各桶样本量均衡，训练稳定；对长尾分布友好，尾部不会挤在一桶。
- 缺点：边界依赖当前数据分布，分布漂移时边界需重算；相同数值间隔在不同区间可能落入不同桶数（如 [0,1] 与 [99,100] 桶宽差很多）。
三、等宽（Equal Width）分桶
- 做法：按值域均匀划分，$\Delta = (\max - \min) / K$，桶边界为 $\min + i\Delta$。
- 优点：实现简单、边界直观；对近似均匀分布友好。
- 缺点：长尾时多数样本挤在少数桶、多数桶空，训练不均衡；对异常值敏感（一个极大值拉高 max、其他桶变宽）。
四、基于树的自适应分桶
- 做法：用树模型（如 CART、GBDT）在目标变量（点击率、转化等）上对连续特征做分裂，分裂点即为桶边界。即按「对目标区分度」找切分点，而非按样本数或值域均匀。
- 优点：边界与目标强相关、信息量高；自动适应分布与非线性；可结合特征重要性做筛选。
- 缺点：依赖标签与树训练；分布或目标漂移时需重训树与边界；实现比等频/等宽复杂。
- 工程：常用 GBDT 的分裂点或单变量 CART 的分裂点；可定期用近期数据重算边界。
五、选型建议
- 无标签或快速上线：等频较稳；等宽仅当分布较均匀时用。
- 有标签、追求效果：树分裂边界通常优于等频/等宽；可与等频结合（先等频粗分再树细分，或树边界用于在线、等频用于兜底）。
面试要点
- 能说明等频（分位数）、等宽（值域均分）、树分裂（按目标找切分点）三种方式及各自优缺点。
- 能说清等频样本均衡、等宽易受长尾影响、树边界与目标相关且自适应。
- 能根据有无标签、分布与工程成本选型；能提及边界随分布漂移需更新。
记忆要点
- 等频：按分位数、样本均衡；等宽：值域均分、简单但对长尾差；树：按目标分裂、自适应、依赖标签。
- 等频稳、等宽慎用、有标签优先树边界；边界需随分布/目标更新。