计算WOE和IV是评分卡模型的一个重要环节，之前没有仔细研究过，但总觉得他们既然可以放在评分卡模型中去解决相应的问题，那应该也可以放在其他模型中解决相似的问题，所以还是很值得研究一下。下文是自己对这两个指标的理解整理。 应用场景WOE和IV主要用来判断变量的预测强度，比如判断用户收入对用户是否会发生逾期的预测强度。因此，两个值的使用主要是在有监督的分类问题中，具体可以细化到如下方面：指导
原创
2021-03-24 19:13:47
1457阅读
使用Python开发项目免不了要安装各种包。我们安装的所有包都会被安装到同一个目录下，供Python调用。如果两个Python项目用到同一个包的不同版本；或者一个新项目需要用到的包会影响以前已经完成调试的项目的开发环境，这时候我们的Python开发环境就会出问题。「虚拟环境」可以解决以上痛点。它为我们每一个 Python 项目创建一个隔离的开发环境，每个开发环境所安装的包和依赖相互独立，可以确保项
一、模块补充configparser1.基本的读取配置文件-read(filename) 直接读取ini文件内容-sections() 得到所有的section，并以列表的形式返回-options(section) 得到该section的所有option-items(section) 得到该section的所有键值对-get(section,option) 得到section中option的值，返
1.变量的预测能力我们在用逻辑回归、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
转载
2023-11-28 12:47:44
96阅读
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
转载
2019-09-11 18:32:00
454阅读
2评论
证据权重 (WOE) 和信息价值 (IV)
原创
2021-07-26 09:27:00
1361阅读
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
转载
2019-03-17 16:45:00
583阅读
2评论
不会直接把200个特征直接放到模型中去进行训练，而是会用一些方法，从这200个特征中挑选一些出来，放进模型，形成训练集数据。 1、分箱 所谓分箱，就是通过某些分类标准，将数据集进行某维度若干数据的合并，比如身高范围可以是150~180，若分组是厘米，则有30组。若才用距离为5的分箱，150 ~ 15 ...
转载
2021-09-06 15:21:00
280阅读
2评论
WOE全称为WeightOfEvidence，即证据权重，就是自变量取某个值时对目标变量的影响good_i和bad_i是该变量在各属性上对应的好客户数和坏客户数，good和bad是样本总体好客户数和坏客户数；WOE值越高，代表着该组对应的变量属性是坏客户的风险越低；IV信息值，IV仅仅针对二元分类的目标值和名义变量，当应用于顺序变量时，顺序将会被忽略，该变量会当做名义变量来使用；（k为变量的类别数
原创
2021-03-02 10:29:06
3783阅读
一.介绍对于woe和IV，简单来说就是用来进行特征选择的方法，我做了两个例子来简单说明一下，例子的代码放到了文章的最后。如果你想看看原理：(你就想求IV和woe，可以直接看例子，跑代码)二.银行例子（寻找和标签关联最高的特征）首先最简单的示例，也是一般官方提供的，我这里展示一下数据： 可以看出既有文字，也有数字。这里呢如果你有相似的数据需要处理，那你不用担心了，代码已经写好。你不必担心这
转载
2024-05-17 02:42:38
101阅读
统计学原理中的matlab应用——方差，平均数，二项分布，排列组合....今天的作业是关于二项分布的，计算量真是绝了，给大家放几个题感受一下： 这个题，不光要算单个情况的二项分布，甚至还要计算加和 这要是用计算器一个个敲，得敲到什么时候...所以还是用matlab，几行代码就可以搞定。先介绍一下排列组合和阶乘的函数：阶乘：定义：n！表示n(n-1)(n-2)...2*1ma
一、变量分箱 变量分箱常见于逻辑回归评分卡的制作中，在入模前，需要对原始变量值通过分箱映射成woe值。举例来说，如”年龄“这一变量，我们需要找到合适的切分点，将连续的年龄打散到不同的”箱“中，并按年龄落入的“箱”对变量进行编码。 关于变量分箱的作用，相关资料中的解释有很多，我认为变量分箱最主要有三个 ...
转载
2021-08-19 21:56:00
6940阅读
2评论
# 基于信息价值(IV)和证据权重(WOE)进行特征选择
特征选择是机器学习中一个重要的环节，在此过程中，有很多方法可以被广泛应用来提升模型的性能。在这篇文章中，我们将介绍信息价值(IV)和证据权重(WOE)这两种方法，以及如何在Python中实现它们的应用。
## 1. 信息价值(IV)和证据权重(WOE)概述
### 1.1 信息价值 (IV)
信息价值 (IV) 是一个衡量特征对目标
原创
2024-08-23 03:24:29
183阅读
Python woe 0.0.7 源码解析（https://pypi.python.org/pypi/woe/0.0.7） 数据挖掘模型中的IV和WOE详解 概念简述，提取自上链接： iv（Information Value，中文意思是信息价值），变量的预测能力。 WOE的全称是“Weight of Evidence”，即证据权重，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
转载
2024-01-17 11:35:25
61阅读
风控业务背景在评分卡建模流程中，WOE（Weight of Evidence）常用于特征变换，IV（Information Value）则用来衡量特征的预测能力。风控建模同学可能都很熟悉这两者的应用，但我们仍然可能疑惑诸如“如何调整WOE分箱？“、“WOE与LR之间的关系？”这些问题。很多文章都已经讨论过这一命题，本文吸取归纳了前人的优秀成果，以期对WOE和IV给出一套相对完整的理论解释。
转载
2021-08-04 15:32:50
796阅读
风控业务背景在评分卡建模流程中，WOE（Weight of Evidence）常用于特征变换，IV（Information Value）
转载
2022-02-21 10:15:58
450阅读
word和excel是办公过程必不可少的两个文档类型，word多用于文字处理，比如备忘录、论文、书籍、报告、商业信函等，excel可以制作精美的图表，还可以计算、分析、记录数据。二者在功能达成上有重叠，工作过程中经常需要转换，如果内容少，还可以手动解决，但是一旦数据量庞大，靠手动，耗时费力不说，还很容易出现差错，今天以两个实例，教大家如何用Python实现word和excel之间的转换。 
转载
2023-05-29 16:05:16
136阅读
# Python调用WOE实现步骤
## 1. 确定需求
在开始编写代码之前，我们需要明确我们的需求是什么。WOE（Weight of Evidence）是一种用于评估变量对于目标变量的预测能力的方法，通常用于信用评分模型等场景中。
## 2. 安装WOE库
在Python中，我们可以使用`pywoe`库来实现WOE的计算。首先我们需要安装该库，可以使用以下代码进行安装：
```python
原创
2023-09-19 03:51:08
297阅读
# Python异常处理: 了解和处理Python中的错误
在Python编程过程中，错误和异常是难以避免的。然而，通过正确地了解和处理异常，我们可以提高程序的稳定性和可靠性。本文将介绍Python中的异常处理机制，并通过示例代码演示如何捕获和处理异常。
## 什么是异常？
在Python中，当程序出现错误或意外情况时，会引发异常。异常是一种Python对象，它包含有关错误的信息，如错误类型
原创
2024-04-01 04:42:33
6阅读
总结IV (信息价值，或者信息量)作用：可以用来衡量自变量(特征)的预测能力公式：对每组的IV值求和就可以求出一个特征的IV值系数（py-pn）:这个系数很好的考虑了这个分组中样本占整体样本的比例，比例越低，这个分组对特征整体预测能力的贡献越低WOE (证据权重)公式：由公式可以看出，一组样本确定后，分母值是确定的，yi正例样本越大该组样本的WOE越大。(WOE值有正有负)前提：计算WOE首先需要
转载
2023-08-03 23:31:05
224阅读
