分箱的原因：

1、模型稳定：在一般情况下建立分类模型是，需要对连续变量进行离散化，离散后的特征能够去除噪声，对异常值不再敏感，使得模型可以更加的稳定。

2、简化模型：降低样本中的个别信息对模型的影响，降低过拟合的风险。

分箱的目的：

1、离散特征的增加和减少很容易，易于模型的快速迭代。

2、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、列表内容离散化后的特征对异常数据有很强的鲁棒性。【离散化后的，减少异常数据对模型干扰】

4、列表内容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，每个变量都有单独的权重，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。

5、离散化后可以进行特征交叉，有M+N变量变成M*N个变量，进一步引入非线性，提高表达能力。

6、列表内容特征离散化后，模型更加稳定，且起到简化模型的作用，降低模型过拟合的风险。

7、将所有变量变换到相似的尺度上。

卡方分箱原理：

卡方值的计算公式的意义是衡量观测值与理论值的距离，如果卡方值小，说明观测值和理论值差距很小，也就说明特征无论取x1或x2，类别的分布是相似的。

因为对于精确的离散化，相对类频率在一个区间内应当完全一致。 因此如果两个相邻 的区间具有非常类似的类分布，则这两个区间可以合并，即当越低卡方值，说明他们具有越相似的类分布。

卡方分箱步骤：

1、设定卡方的阈值

2、初始化

根据离散化的属性对实例进行排序：每个实例属于一个区间

3、合并区间

①计算每一相邻区间的卡方值

②将卡方值最小的一对区间合并

卡方阈值的确定

1、根据显著性水平和自由度确定

2、自由度=（行数-1）*（列数-1）。【自由度为2的90%置信度（10%置信水平）下，卡方的值为4.6】

3、类别和属性相互独立时，有90% 的可能计算得到的卡方值会小于4.6，当大于阈值4.6时，说明类别和属性不是相互独立的，不能合并。

4、阈值选择过大，则区间合并会进行很多次，使得区间数量少，区间大。