实验得出的规律：越是离散的特征、越是非线性模型，其建模能力越强，泛化性也就越强。
1. 连续型特征离散化的好处
a. 异常数据鲁棒性：离散化后的特征对异常数据有更强的鲁棒性，例如年龄这类连续型特征，假设[0,30]，[30,60]，[60, + 无穷] 分别离散化为青年、中年和老年三类，此时如果出现200岁这样的异常值，离散化后的年龄特征会归为老年，能够很好的cover住这类情况。！需要注意的是，如何划分区间需要根据业务制定！
个人的一些想法：每类连续型特征值也是需要做异常值过滤、筛选，如果能够有很好的处理，并且特征契合任务目标（比如速度类特征，预测目标是时间或者速度）。是否会有更好的效果？
b. 增强模型表达：从数据角度讲，离散特征通常比连续特征能表征更多复杂信息，更加鲁棒。因而将连续型单变量离散化为 K 个后（可能会one-hot或者二进制表示），为K维变量单独计算权重，为模型引入更多的非线性，提升模型表达能力，增强拟合 + 泛化性；离散化后的特征也可以做特征交叉（类似FM、FFM和GBDT），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。
c. 模型迭代：离散型特征的增加和减少很容易（特征拼接时需要注意每类特征的维度起止索引），易于快速迭代。
d. 模型推理速度：连续型特征转换为高维度离散型特征后，如果采用one-hot进行表示，该特征会呈现为一个高维稀疏向量，稀疏向量内积乘法运算速度快，结果方便存储，容易扩展；同时离散化后的特征易于处理，利于构建标准化的线上特征（特征拼接 + 分桶 + 特征交叉），达到online learning 的需求。
e. 解释性：连续型特征离散化，赋予其容易理解的新属性（比如青年、中年、老年），这是一种可以验证的格式。
f. 防止过拟合：特征离散化后，能够简化逻辑回归模型，降低模型过拟合的风险（抄来的，不是很懂）。
李沐老师说过：模型是使用离散特征还是连续特征，其实是一个“海量离散特征+简单模型” 同 “少量连续特征+复杂模型”的权衡。既可以离散化用线性模型，也可以用连续特征加深度学习。就看是喜欢折腾特征还是折腾模型了。通常来说，前者容易，而且可以n个人一起并行做，有成功经验；后者目前看很赞，能走多远还须拭目以待。
补充：如何进行离散化？无监督方法都有哪些？有监督方法都有哪些？笔者接下来会跟进。