在线性回归建模过程中，为什么通常需要先对连续特征进行离散化处理？

回答思路

1. 【回答框架 1】离散化处理将连续特征划分为有限个区间，从而将线性回归转化为对分段常数的拟合。这样可增强模型对非线性关系的表达能力，因为原本线性模型难以捕捉的曲线形态可以通过离散化后的阶梯函数近似。
2. 【回答框架 2】离散化能提升模型的鲁棒性。连续特征中的异常值会被区间边界吸收，减少对回归系数的影响。同时，离散化后的特征对缺失值更宽容，因为缺失值可以单独作为一个类别处理，避免填充误差。
3. 【回答框架 3】离散化有助于特征交叉。将多个连续特征离散化后，可以构造交叉特征，从而捕捉特征间的交互作用，而单纯的线性回归无法利用这种交互。此外，离散化使模型更稳定，减少过拟合风险，尤其在特征存在噪声时。
4. 【回答框架 4】但需注意离散化可能丢失信息，因为原始连续数值的精度被降低。若区间划分不当，可能导致模型欠拟合。因此，需要根据业务场景合理选择分箱数量与方法，如等距、等频或基于决策树的分箱。
5. 【关键点 1】离散化使线性回归能够拟合非线性关系
6. 【关键点 2】离散化提高模型鲁棒性，减轻异常值和缺失值影响
7. 【关键点 3】离散化便于特征交叉，增强特征表达能力
8. 【关键点 4】但可能丢失信息，需平衡分箱粒度与模型性能
9. 【易错点 1】不能认为离散化一定提升效果，不合适的分箱可能导致欠拟合
10. 【易错点 2】离散化后的特征应使用独热编码，否则类别间的关系会被错误视为有序
11. 【易错点 3】离散化不一定适用于所有场景，有时保留连续值并做特征变换（如对数变换）更合适