WOE和IV

最新推荐文章于 2025-05-07 11:17:46 发布
原创 最新推荐文章于 2025-05-07 11:17:46 发布 · 437 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

WOE（Weight of Evidence）和IV（Information Value）是数据挖掘中用于特征选择的重要指标。WOE是对原始变量的一种编码形式，通过比较不同组间的正负样本比例差异。IV则衡量自变量对模型预测能力的贡献，值越大，预测能力越强。在处理分组时，应注意避免出现响应比例为0或100%的情况，以防止WOE取值无限大导致IV失去意义。

这篇文章参考了https://blog.youkuaiyun.com/shenxiaoming77/article/details/78771698，如果想要看WOE和IV的例子可以到这里学习。

另外kaggle有一篇特别好的文章，建议大家可以去看看：https://www.kaggle.com/pavansanagapati/weight-of-evidence-woe-information-value-iv

在开始介绍IV前，需要先了解WOE的概念

WOE

WOE的全称是“Weight of Evidence”，即证据权重。WOE是对原始自变量的一种编码形式。

要对一个连续变量进行WOE编码，需要首先把这个变量进行分组处理（也叫离散化、分箱等等，说的都是一个意思）。分组后，对于第i组，WOE的计算公式如下：

WOE_{i}=ln\frac{P_i(p)}{P_i(n)}=ln\frac {\frac{N_{i}(p)}{N(p)}} {\frac{N_{i}(n)}{N(n)}}

其中，

最低0.47元/天 解锁文章
woe分析_WOE和IV
weixin_36331058的博客
01-04 2427
WOE和IV是在评分卡模型开发中的名词进过分箱操作之后，变量分布在了区间上，所以我们还需要对区间做一个数值编码这个数值编码就叫做WOE（Weight of Evidence）,先来看一下WOE的计算公式WOE的优缺点：优点：1、可以提高模型的性能：根据公式以每一箱中的相对全体的log odds的超出作为编码依据，能够提高模型的预测精度，同时公式也符合LR的思想2、分层抽样中的WOE不变性：如果建模...
评分卡——WOE和IV
zstj_tian的博客
06-20 1445
在对变量进行分箱之后，我们需要进一步对分箱后的特征，进行woe编码处理，下面我们来讲一下woe的逻辑及实际的具体情况 一、WOE WOE的全称是“Weight of Evidence”，即证据权重。WOE是对原始自变量的一种编码形式。 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、分箱等等，说的都是一个意思）。分组后，对于第i组，WOE的计算公式如下： 其中，...
建模常用的概念介绍1： WOE、IV
乐想屋
12-12 1万+
为了挑选并构造出对目标变量有较高预测力的自变量，需要对变量进行WOE编码，通过IV值的看变量的贡献。1、WOE(weight of Evidence 证据权重)    1）解释及公式    WOE是对原始自变量的一种编码形式。    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/离散化处理（等宽切割，等高切割，或者利用决策树来切割）。分组后，对于第i组，WOE的计算公式如下：
数据挖掘模型中的IV和WOE详解
热门推荐
一些杂七杂八的想法
03-02 25万+
1.IV的用途 IV的全称是Information Value，中文意思是信息价值，或者信息量。 我们在用逻辑回归、决策树等模型方法构建分类模型时，经常需要对自变量进行筛选。比如我们有200个候选自变量，通常情况下，不会直接把200个变量直接放到模型中去进行拟合训练，而是会用一些方法，从这200个自变量中挑选一些出来，放进模型，形成入模变量列表。那么我们怎么去挑选入模变量呢？ 挑选入模变
IV和WOE详解
小猪课堂的博客
08-07 559
评分卡模型中的IV和WOE详解
逻辑回归-关于WOE和IV的一些理解
liu20020918zz的博客
11-28 1182
本文主要解决为什么WOE能用于逻辑回归建模写到最后才发现出问题了这里认为少数类为good，就是正类。
python自动分箱,计算woe,iv的实例代码
09-18
Python中的自动分箱技术是一种数据预处理方法，常用于信用评分卡、风险评估等领域，它通过对特征进行分组，计算每个组内的Weight of Evidence (WOE)和Information Value (IV)来改善模型的预测能力。WOE是衡量特定...
评分卡中WOE和IV详解 Python实现
u010654299的博客
01-05 8445
  信用评分卡模型是信用风险评估中普遍使用的模型，而在模型建立过程中，一般采用WOE(Weight Of Evidence 证据权重)对自变量进行编码，并根据IV(Information Value 信息量)作为变量筛选指标。 1 WOE   WOE(Weight Of Evidence 证据权重)是一种对自变量编码的方法，需注意的是在WOE编码前需对数据进行分箱（分组或离散化）操作。 具体而言，...
IV与WOE
weixin_39003567的博客
10-05 538
什么是IV——Information Value 类似于信息增益、基尼指数等，用来衡量特征的预测能力 IV如何计算 以WOE（weight of evidence）为基础，WOE是对原始变量的一种编码形式 上边是一组的IV值，要计算一个特征的IV值将各组IV值求和即可（n为分组个数）： WOE如何计算 需要先对特征进行分组处理（离散化、分箱说的都是一种东西） 翻译一下： ...
IV值和woe
w1753654213的博客
07-24 1163
IV值和woe 1. 对IV的直观理解 从直观逻辑上大体可以这样理解“用IV去衡量变量预测能力”这件事情：我们假设在一个分类问题中，目标变量的类别有两类：Y1，Y2。对于一个待预测的个体A，要判断A属于Y1还是Y2，我们是需要一定的信息的，假设这个信息总量是I，而这些所需要的信息，就蕴含在所有的自变量C1，C2，C3，……，Cn中，那么，对于其中的一个变量Ci来说，其蕴含的信息越多，那么它对于判断A属于Y1还是Y2的贡献就越大，Ci的信息价值就越大，Ci的IV就越大，它就越应该进入到入模变量列表中。 你好！
信贷风控模型--WOE&IV
最新发布
Ministar的博客
05-07 805
一文读懂关于信贷风控模型WOE与IV值得计算原理
WOE和IV的计算公式和理解
weixin_47867005的博客
02-28 2688
woe衡量了分箱数据各个组的组内正负例比率与样本总体正负例比率的差异，使用woe对分箱数据进行编码，形成的新的特征变量暴露值与类标签（因变量）有正向关系。例如，当变量的一个分组woe很高，但是该分组占样本总数的比例很小的情况时，虽然个体样本落在该分组时，能以极大的概率预测，但是样本落在该分组的概率却非常的小，综合来看，不能认为该变量具有很强的预测能力。IV是单个特征变量的信息价值，即该特征变量对整个模型所能提供的信息，反映了该特征变量的预测能力，IV值越大，预测能力越强。可以看到，特征的IV值是每个分组。
评分卡模型中的IV和WOE详解（抄录）
lvchunyang66的博客
08-26 1675
1.IV的用途 IV的全称是Information Value，中文意思是信息价值，或者信息量，也有称VOI，即Value Of Information。 我们在用逻辑回归，决策树等模型方法构建分类模型时，经常需要对自变量进行筛选。比如我们有200个候选自变量，通常情况下，不会直接把200个变量直接放到模型中进行你拟合训练，而是会用一些方法，从这200个变量中挑选一些出来，放进模型，形成模变量列表...
逻辑回归中常用的概念： WOE、IV详解
厚积薄发的博客
06-05 6845
xn中，那么，对于其中一个变量xi来说，其蕴含的信息越多，那么它对于判断A属于0还是1的贡献就越大，xi的信息价值就越大，xi的IV就越大，它就越应该进入到入模变量列表中。挑选入模变量过程比较复杂，需要考虑的因素很多，比如：变量的预测能力，变量之间的相关性，变量的简单性（容易生成和使用），变量的强壮性（不容易被绕过），变量在业务上的可解释性（被挑战时可以解释的通）等等。WOE越大，这种差异越大，这个分组里的样本坏样本可能性就越大，WOE越小，差异越小，这个分组里的坏样本可能性就越小。
风控业务-特征IV值和WOE值的计算原理和区别
数据掘金
08-11 1万+
我们在用逻辑回归、决策树等模型方法构建分类模型时，经常需要对自变量进行筛选，比如我们有200个候选自变量，通常情况下，不会直接把200个变量直接放到模型中去进行拟合训练，而是会用一些方法，从这200个自变量中挑选一些出来，放进模型，形成入模变量列表。挑选入模变量过程是个比较复杂的过程，需要考虑的因素很多，比如：变量的预测能力，变量之间的相关性，变量的简单性（容易生成和使用），变量的强壮性（不容易被绕过），变量在业务上的可解释性（被挑战时可以解释的通）等等。但是，其中最主要和最直接的...
特征筛选【IV和WOE】
m0_46926492的博客
06-14 1638
表示该组中的正例占负例样本的比例，表示整体的正例占负例样本的比例例子 结果的正负值分析，根据ln函数的特性，当这个组中响应样本的比例比总体的响应比例小时为负数，相等时为0，大于时为整数把这个变量的所有分组的值的绝对值加起来，这个可以在一定程度上表示这个变量的预测能力，但是一般不会这么做，因为对于分组中的样本数量相差悬殊的场景，值可能不能很好的表示出这个变量的预测能力，一边会用到另一个值：IV值。IV在计算的时候，比值多考虑了一层该变量下该分组占该变量下所有样本的比例IV值的计算公式在WOE的基础上多乘了一个
机器学习特征工程-特征选择之IV
机器学习，深度学习
08-10 3990
机器学习特征工程-特征选择之IV
转：Python数据分箱，计算woe，iv
纸上得来终觉浅
12-22 4395
转自：https://zhuanlan.zhihu.com/p/38440477 数据分箱的重要性及优势： 离散特征的增加和减少都很容易，易于模型的快速迭代； 稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展； 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰； 逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达
hive实现计算WOE和IV值
10-22
然而，在处理结构化的Hive表数据时，你可以通过编写自定义UDF（User-Defined Functions，用户自定义函数）来实现计算Weight of Evidence (WOE) 和 Information Value (IV)。 WOE是一种将分类变量转换为数值变量的...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值