数据离散水平是数据剖析中经常涉及的一个看法。在现实的数据剖析中，差异特征的离散水平可能会对模子的展望结果发生差异的影响。在这篇文章中，我们将讨论数据的离散水平是若何影响模子展望结果的，而且会通过举例子来诠释差异离散水平对于模子展望结果的详细影响。
对于数据的离散水平，我们可以通过盘算尺度差来确定。尺度差越大，示意数据越涣散，反之则示意数据越集中。在许多情形下，我们可以通过对数据举行分组（如按岁数分组）来获得更准确的离散度丈量值。
当特征的离散水平较大时，我们通常会倾向于使用树模子举行展望（如决议树、随机森林等）。树模子通过将数据分成差异的子集来举行展望，能在一定水平上缓解离散水平带来的影响。然则，对于线性模子或支持向量机等模子来说，离散水平的影响可能会加倍显著。
我们拿房价展望模子做举例，当我们只思量面积这个特征时，离散水平较大时线性模子的显示就会变得很差。这是由于，在较大的离散水平下，许多衡宇面积的现实值漫衍在了它们的均值局限之外。树模子则可以更好的顺应这种情形。
