CoffreLv的博客

从样本集到WOE、IV值的变迁样本集在建模任务开始之前首先需要有训练数据，也就是样本集。在对样本集的所有特征数据进行整理和预处理后，就可以对每一个特征的各个取值计算WOE。WOE（Weight of Evidence）证据权重WOE是对原始特征的一种编码形式，要对一个变量进行WOE编码，需要首先把这个变量进行分组处理（也叫离散化、分箱），如果是离散变量可以直接进行编码。对每个分组或取值，响应比例（二分类取值为1的正样本比例）越大，WOE值越大；当前分组WOE的正负，由当前分组响应和未响

HMM简述以骰子为例：骰子的种类数 ——> 隐含状态数量每种骰子是什么 ——> 转换概率掷骰子的结果 ——> 观察状态序列每次所掷的骰子 ——> 隐含状态序列HMM参数：隐含状态转移概率矩阵A观测状态转移概率矩阵B初始状态矩阵π\piπ隐含状态序列S观测状态序列O两个假设：齐次马尔科夫假设。又叫一阶马尔科夫假设，即任意时刻的状态只依赖前一时刻的状态，与其他时刻无关。观测独立性假设。任意时刻的观测只依赖于该时刻的状态，与其他状态无关。