将系统离散化的作用主要体现在以下几个方面：

建模和分析的便利性：

离散系统通过离散时间步长对输入和输出进行采样和处理，这使得系统更易于建模和分析。离散系统可以使用数学模型和算法来描述和控制，常用的方法包括差分方程、状态空间模型和z变换等。

提高计算效率：

离散化可以减小算法的时间和空间开销，提高系统对样本的分类聚类能力和抗噪声能力。例如，在图像处理中，通常需要先将图像进行二值化处理，这是一种离散化技术，可以显著减少数据量，提高处理速度。

增强模型的稳定性和准确度：

数据离散化后，异常数据不会明显突出，从而降低其对模型的影响。这对于基于距离计算的模型（如K均值、协同过滤等）尤为有效。

便于理解和应用模型结果：

如果原始数据的值域分布过多或不符合业务逻辑，离散化可以帮助将数据映射为更易于理解的类别或数值，从而使得模型结果更易于被业务理解和应用。

适应特定算法需求：

许多算法（如决策树、朴素贝叶斯等）需要基于离散型数据展开，因此离散化是这些算法有效运行的必要步骤。

特征工程的重要手段：

在特征工程中，离散化可以将连续变量转化为分类变量，便于进行类别间的比较和分析。此外，离散化后的特征易于理解和处理，有助于提高模型的迭代速度和稳定性。

控制系统的实现：

在控制系统中，离散化可以将连续时间下的PID控制算法转换为离散时间下的算法，以适应计算机系统的离散时间运算，从而简化模型，减少计算复杂性，并提高控制的稳定性和性能。

综上所述，离散化在系统建模、数据分析、算法实现和模型应用等多个方面都发挥着重要作用，能够提高计算效率，增强模型的稳定性和准确度，并便于实际应用。