如何使用分箱组件_隐私增强计算(DataTrust)-阿里云帮助中心

一、组件说明

分箱（Binning）是一种数据预处理方法，用于将连续数据转化为离散数据。分箱的目的是为了减少异常值的影响和简化模型的复杂度，同时提高模型的稳定性和可解释性。

分箱的基本思路是将一段连续的数据划分为几个区间或者桶，然后将每个区间映射为一个离散值。分箱的方法包括等距分箱、等频分箱、最优分箱等。

组件截图

二、参数说明

参数名称	参数说明
选择分箱字段	选择需要分箱的字段。只可选择数值类特征，可多选。
标签列	选择用户分箱用的参考标签列。主要用于最优分箱类策略和woe、iv值的计算评估。
正例值	正样本标签的原值或编码值，如：>50K。
分箱方式	可选等频分箱、等距分箱、卡方分箱、自定义分箱。【等距分箱】是将连续数据划分为等距的桶，每个区间的宽度相等，例如将一个数值范围为0到100的连续数据分成10个桶，每个桶的宽度为10。【等频分箱】是将连续数据划分为等频的桶，即每个桶内包含相同数量的数据样本，例如将一个数值范围为0到100的连续数据分成10个桶，每个桶内包含10个样本。【卡方分箱】是最优分箱的一种，它的基本思想是根据卡方检验的统计方法对连续变量进行分箱，使得每个分箱内的样本数量大致相等，同时最小化不同分箱之间的卡方统计量。卡方分箱的具体步骤如下：将连续变量按照大小顺序排序，将其分成k个分箱。（note：基于安全加密，这里将连续变量进行等频分箱初始化，分成k个分箱）对于每个分箱，计算其相邻两个分箱之间的卡方统计量。卡方统计量越大，表示两个分箱之间的差异越显著。合并卡方统计量最小的相邻分箱，直到满足预定的停止准则。例如，可以设置卡方统计量的最大值或者分箱的最大数量。对于分箱后的每个分箱，可以计算其WOE（Weight of Evidence）和IV（Information Value）等指标，作为离散化特征的衡量标准。卡方分箱能够自动选择最优的分箱数量和分箱方法，同时能够有效处理异常值和极端数据，提高模型的预测能力和泛化能力。【自定义分箱】用户自行确定分箱的间隔。
分箱个数	具体将连续数据分为几个区间，取值为[1, 1000]的正整数值。
分箱区间	自定义分箱专有，用于确定分箱的切分点。左开右闭，‘,’分割，如 5,12,34,39。注意：分割符为半角的逗号","。
数据转换方式	可选woe值或者索引值。索引值即为分箱之后的编号。

正样本标签值填写

字段数据类型	是否编码	是否连接配置表	正样本标签值
字符类型	是	是	原值
字符类型	是	否	编码值
数值类型	否	否	原值
	否	是	原值
	是	是	原值
	是	否	编码值

三、有配置文件可读

在上游有配置文件可以选择的时候，可以使用配置文件进行【分箱】。填充的字段、方式、映射方式和配置文件相同。举例：在训练过程中，训练数据的分箱为等频分箱，经计算，分箱取值点为[2.2，3.3]。希望用训练数据的缩放比例来填充至预测数据中，此时可以将训练时使用的配置文件，通过【读配置文件】接入到【分箱】的输入桩中，以此来保证训练数据和预测数据的一致性，如下图所示：