面试题：连续特征，可离散化，也可幅度缩放，两种处理方式适用于什么场景？

解析：
幅度缩放一般在计算型模型里会用到，比如LR DNN 离散化一般是线性模型会用到，比如LR。

如七月在线的寒老师所说，离散化的目的有以下几个方面：
① 非线性！非线性！非线性！
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；离散特征的增加和减少都很容易，易于模型的快速迭代；

② 速度快！速度快！速度快！
稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；

③ 鲁棒性！鲁棒性！鲁棒性！
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；

④ 方便交叉与特征组合：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，进一步引入非线性，提升表达能力；

⑤ 稳定性：特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问；

⑥ 简化模型：特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。

本文来自七月在线题库，更多面试题，可在题库中查看。
 
【推荐系统就业小班 第三期】
BAT大咖小班教学，保证就业！
由3位在BAT从业多年的团队核心大佬，定制化授课：
并且讲师及助教团队会手把手带大家做出五大超高含金量的项目：
各位同学如果对课程感兴趣，可扫码查看详情，并且现在报名还赠送19VIP会员，可免费使用一年高配GPU＆CPU云平台（P100哦）、免费学习现在100+门以及未来20+门课程！
↓扫码查看↓

据说答对这12道题，就能成为算法工程师
60位学员的转行心得，30-60万年薪
你在看吗？