您的直觉通常是正确的 - 在许多情况下，过早离散连续变量是不可取的。这样做会丢弃潜在的有意义的数据，结果可能高度依赖于你如何存储连续变量，这通常是相当随意的。例如，按年龄十年对人进行分组意味着 50 岁和 59 岁之间的相似性高于 59 岁和 60 岁之间的相似性。这样做可能在统计能力方面有一些优势，但如果您的分箱没有反映数据中的自然切点，您可能只是丢弃了有价值的信息。

你可以在这里找到一个非常相似的问题：

https://stats.stackexchange.com/questions/68834/what-is-the-benefit-of-break-up-a-continuous-predictor-variable?noredirect=1&lq=1

你的问题很笼统，我只能回答一部分。最重要的是，没有办法说这个或那个总是更好。这取决于您使用的方法和（通常）还取决于数据。让我们考虑两个例子。

1）想想神经网络。它们通常可以很好地处理没有太大差异的数据。这是数据经常被缩放和/或标准化的原因之一。在这里将连续特征转换为分类特征可能会有所帮助。

2）考虑线性回归。您需要在回归方程中指定函数形式才能很好地捕获数据生成过程。假设您将“年龄”作为特征，并且该特征与您的 y 没有线性关系。您可以尝试二次形式或其他方法。但是，如果您生成年龄等级（例如 10 年间隔），您可以将此特征作为“假人”添加到您的模型中，并且您无需过多担心“年龄”作为特征的参数化（假人的工作方式类似于在这种情况下回归样条）。

所以这真的取决于问题。实际上，您需要尝试不同的表示形式，具体取决于您的模型和数据。也把 Kaggle 内核看得太严重了。他们经常提供很好的例子，但大多数内核都是真正的动手操作。

将数值数据转换为分类数据需要熟悉数据集。例如，在您提到的泰坦尼克号数据集的情况下，乘客的年龄或等级具有预测能力，但如何？

票价是根据舱位而定的，不同的舱位可能在不同的甲板上。所以本质上，它是一个分类特征。

对于年龄，您不会期望 9 岁和 10 岁的生存概率不同，因为其他所有特征（类别、性别等）都是相同的。可视化数据并寻找自然拐点非常重要。