Feature Engineering: 为什么要对数值特征分箱？分箱方式有哪些。

Core Concept: 捕捉非线性、抗异常值、便于业务解释；等宽、等频、有监督（决策树/卡方）。

分箱的四个动机：① <strong>捕捉非线性</strong>——线性模型无法表达'收入在 5–10 万时违约率最低'这类非单调关系，分箱后用 one-hot/WOE 编码可表达任意形状；② <strong>抗异常值</strong>——把极端值归入边界箱，避免单个异常值主导拟合（比截断更平滑）；③ <strong>业务可解释</strong>——'年龄 18–25'比'年龄的系数 0.03'更易沟通，且便于做规则化决策（如风控阈值）；④ <strong>处理缺失与噪声</strong>——缺失值可单独成箱。<strong>四种分箱方式</strong>：① <strong>等宽</strong>——按值域均分（如每 10 岁一箱）；简单但对偏态分布不均（某些箱样本极少）；② <strong>等频（分位数）</strong>——每箱样本数相同；对偏态更稳健，是常用默认；③ <strong>有监督（决策树/卡方/IV）</strong>——用目标变量指导切分点（如决策树分箱、卡方分箱、基于 IV 值）；能最大化与目标的关联，但<strong>有过拟合/泄漏风险</strong>（须在 CV 折内做）；④ <strong>自定义</strong>——按业务阈值（如信用分档）。

实践要点：① <strong>WOE 编码与 IV</strong>——风控评分卡的标准做法：对每箱计算 WOE=log[(好样本占比)/(坏样本占比)]，用 WOE 替代原始值（使与 log-odds 线性）；用 <strong>IV（信息值）=Σ(好占比−坏占比)×WOE</strong> 衡量特征的预测力（IV<0.02 无用、0.1–0.3 中等、>0.5 可能过拟合）。② <strong>分箱会损失信息</strong>——若真实关系是平滑线性的，分箱会损失精度；故对线性关系强的特征不必分箱。③ <strong>泄漏防范</strong>——有监督分箱的切分点必须只在训练折上确定，再应用到验证折；否则会因使用全量标签而泄漏。④ <strong>箱数选择</strong>——通常 5–20 箱；过多箱会过拟合（尤其小样本），过少则损失信息；可用单调性约束（要求 WOE 随箱单调）提升稳定性。⑤ <strong>与树模型的关系</strong>——树模型自动做分箱（找最优切分点），故无需手动分箱；分箱主要用于线性模型、评分卡与需要可解释规则的场景。