我正在寻找关于给定响应（目标）二进制变量和最大间隔数作为参数的连续变量的最佳分箱方法（离散化）。

示例：我对具有“身高”（数字连续）和“has_back_pains”（二进制）变量的人进行了一组观察。我想将高度离散化为最多 3 个间隔（组），不同比例的人背痛，以便算法最大化组之间的差异（例如，在给定的限制下，每个间隔至少有 x 个观察值）。

这个问题的明显解决方案是使用决策树（一个简单的单变量模型），但我在 R 中找不到任何将“最大分支数”作为参数的函数 - 所有这些函数都划分变量分成 2 个组（<=x 和 >x）。SAS 矿工有一个“最大分支”参数，但我正在寻找一个非商业解决方案。

我的一些变量只有几个唯一值（并且可以被视为离散变量），但我想将它们离散化为更少的间隔。

最接近我的问题的解决方案是在 R 中的 smbinning 包中实现（它依赖于 party 包中的 ctree 函数），但它有两个缺点：无法设置间隔数（但是，您可以通过更改找到解决方法p 参数）并且当数据向量的唯一值少于 10 个时它不起作用。无论如何，您可以在此处查看示例输出（Cutpoint 和 Odds 列至关重要）：

Cutpoint CntRec CntGood CntBad CntCumRec CntCumGood CntCumBad PctRec BadRate   Odds  LnOdds     WoE     IV
1   <= 272   9081     169   8912      9081        169      8912 0.1874  0.9814 0.0190 -3.9653 -0.6527 0.0596
2   <= 311   8541     246   8295     17622        415     17207 0.1762  0.9712 0.0297 -3.5181 -0.2055 0.0068
3   <= 335   2986     163   2823     20608        578     20030 0.0616  0.9454 0.0577 -2.8518  0.4608 0.0163
4  Missing  27852    1125  26727     48460       1703     46757 0.5747  0.9596 0.0421 -3.1679  0.1447 0.0129
5    Total  48460    1703  46757        NA         NA        NA 1.0000  0.9649 0.0364 -3.3126  0.0000 0.0956

哦，我完全知道分箱会导致信息丢失，并且有更好的方法，但我将使用它进行数据可视化并将这些变量视为一个因素。