连续特征直接输入模型并非总是最优。点击率与价格、年龄的关系往往非线性，离散化后每段有独立权重，能更好拟合这种非线性，也便于处理异常值和缺失。
等宽分桶简单，但长尾分布下多数样本挤在少数桶里，信息丢失严重。等频分桶保证每桶样本量相近，对偏态分布更友好，是推荐特征处理的常用默认选择。
分桶边界必须在训练集上确定并固化，线上复用同一套边界。若线上重新计算分位数，边界会随流量漂移，导致训练服务不一致，模型效果不可控。
桶的数量要权衡：太少表达力不足，太多则每桶样本稀疏、统计噪声大，还容易过拟合。通常 10 到 50 个桶是合理区间，可用验证集指标调优。
除了硬分桶，还可以把桶号和原始值同时作为特征输入，让模型既学到分段非线性，又保留连续信息，实践中常有额外收益。
