IV值的计算逻辑

最新推荐文章于 2021-08-09 19:42:36 发布
最新推荐文章于 2021-08-09 19:42:36 发布
阅读量5.6k 收藏 5
点赞数 1
分类专栏： python 文章标签： python
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。
本文链接：https://blog.csdn.net/Mikefei007/article/details/105537167
版权
博客探讨了在建模中衡量变量预测能力的IV值指标，根据IV值的范围将其分为无、弱、中、强和超强预测能力。IV值的计算涉及了好用户与坏用户在不同分箱中的比例。提供了Python和Excel实现IV值计算的逻辑。
摘要由CSDN通过智能技术生成

       在建模的时候，我们对会单个变量的预测能力进行预测，主要使用IV值这个指标，IV值的预测能力如下：

           IV<=0.02 : 无预测能力；

          0.02 - 0.1 ：弱预测能力；

          0.1 - 0.3 ：中预测能力；

          0.3 - 0.5 ：强预测能力；

          大于0.5的为超强预测能力；

       IV值的计算公式：

          IV = (Pgood_section_total - Pbad_section_total) * log( (Pgood_section/P_bad_section) / (Pgood_total/Pbad_total) ) )

        Pgood_section_total:分箱好用户与整体好用户比值；

        Pbad_section_total：分箱坏用户与整体坏用户比值；

        Pgood_section：分箱好用户与该分箱整体比值；

        Pbad_section：分箱坏用户与该分箱整体比值；

        Pgood_total：

最低0.47元/天 解锁文章
平凡的世界fei
关注
专栏目录
Python计算IV值的示例讲解
09-17
今天小编就为大家分享一篇Python计算IV值的示例讲解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
逻辑回归中常用的概念： WOE、IV详解
厚积薄发的博客
06-05 5257
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。
特征筛选之—IV值
lu_yunjie的专栏
11-06 2万+
一.定义 IV（Infromation Value），信息价值，用来表示特征对目标预测的贡献程度，即特征的预测能力，一般来说，IV值越高，该特征的预测能力越强，信息贡献程度越高。 二.限定条件 IV值的计算有一定的限定条件： （1）面向的任务必须是有监督的任务； （2）预测目标必须是二分类的。 三.IV取值区间及常用评价基准 IV值的取值区间为：[0,正无穷）。 IV值取值含义： （1）IV<0.02：无用特征 （2）0.02<IV<0.1：弱价值特征 （3）0.1&
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值计算及分箱
Baron_ND的博客
03-08 6701
1.离散的优势： （1）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&gt;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； （2）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，能够提升模型表达能力，加大拟合； （3）离散化后可以进行特征交叉，由M+N个变量变为M*N个变量...
iv值计算（含qcut细节）
RUC_Lee的博客
10-22 3247
iv值计算（含qcut细节）1 背景2 含有重复的数据2.1 数据准备2.2 等频分组2.3 等频分组-加上去掉重复的值3 不含有重复的数据3.1 数据准备3.2 等频分组3.3 等频分组-加上去掉重复值4 iv计算4.1 读入数据4.2 iv值计算4.3 结果分析 1 背景 在计算woe以及相关的iv值的时候，需要首先对数据进行分箱，分箱一般采用qcut，即等频分组。 下面希望验证qcut（等频分组）-相同的值会在一组，即如果一组数据一半都是0，这些会被分在一组。 同时计算iv值并进行相关分析 2 含有重
IV值实现公式.xls
04-15
IV值计算逻辑；使用excel中的公式，对IV和woe值进行计算，可以有效的理解公式含义和实现逻辑；
ML之FE：IV信息量(Information Value)指标(衡量变量的预测能力)的简介、计算逻辑、使用方法之详细攻略.do
06-17
例如，对于一个年龄(age)作为自变量，坏客户(bad)和好客户(good)作为目标变量的情况，我们可以计算每个年龄分组的Bad%、Good%、WOE值和IV值，从而得到age变量的整体IV值。较大的IV值意味着年龄在预测贷款违约上起到...
逻辑回归 full version1
08-03
使用逻辑回归制作评分卡，首先需要进行数据预处理，包括去除重复值、填补缺失值、描述性统计处理异常值。对于分箱，可以选择等频分箱，确保每个箱内都有0和1，通过卡方检验和IV曲线选择最佳分箱数量。最后，计算各...
计算机中级考试试题.docx
11-13
18. Excel 是著名的电子表格处理软件，一种工作表最多可有 256 列，其最小列标和最大列标分别是 A 和 IV。 19. Excel 规定可以使用的运算符中，没有逻辑运算符。 20. 在 Excel 中，若输入公式“=C1+E1”，这种引用...
基于 Python构建基于逻辑回归的评分卡模型
最新发布
06-02
【作品名称】：基于 Python构建基于逻辑回归的评分卡模型 ...主要包括： （1）特征工程 （2）WOE编码 （3）IV值计算及特征筛选 （4）特征WOE化 （5）评分卡建模，输入筛选后的特征的属性值，自动得出评分结果
图示代码，轻松解决IV值计算问题（python）
weixin_38940048的博客
09-03 1万+
今天来讲一下IV值的计算问题 因本人从事风控建模行业，故不可避免需要明白IV值的整个今生前世，故此次来讲解IV值。 一、IV的定义及必备常见知识 IV是什么？全称是InformationValue，中文意思是信息价值，或者信息量。 那它有什么内在含义呢？网上公认的答案：变量的预测能力。且通常来讲，变量的IV值越高，则该变量的预测能力越强 这就对选取哪些x进行建模，起到了关键的作用了，但...
【机器学习基础】IV和WOE值
Tuzi_bo的专栏
06-19 8115
目录 一 WOE 1.1 概念 1.2 样例 二 IV 2.1 概念 2.2 样例 三 参考材料 IV和WOE通常是用在对模型的特征筛选，在模型刚建立时，选择的变量往往比较多，这个时候就需要有一种方法来帮助我们衡量什么变量应该进入模型什么变量应该舍弃，IV和WOE就可以帮助我们进行衡量。对于一个变量来说，我们考虑该变量是否可以加入预测一般可以考虑以下五个因素：(1)变量的预测能力(...
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 9842
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...
IV值小结
bitcarmanlee的博客
08-09 4835
0 引言 在金融场景中，IV值是一个经常用来衡量特征强弱的指标。IV值如果比较大，说明该特征的区分度比较强，如果IV值比较小则说明特征的区分度比较弱。正因为有该性质，所以IV值经常用来进行特征选择。 1.WOE 在介绍IV值之前，需要先介绍一下WOE WOE, Weight Of Evidence，直译过来就是证据权重。WOE是对原始变量的一种编码方式。计算的具体步骤主要包括两步 1.对变量分组，一般的方式为分箱或者离散化处理。比如常见的分箱方法有等频分箱，等高分箱等。 2.分箱以后，对于第i组，计算该组的
分计算iv值_IV值的计算及使用
weixin_39625747的博客
12-23 1336
在机器学习的二分类问题中，IV值（Information Value）主要用来对输入变量进行编码和预测能力评估。特征变量IV值的大小即表示该变量预测能力的强弱。IV 值的取值范围是[0, 正无穷)，如果当前分组中只包含响应客户或者未响应客户时，IV = 正无穷。量化指标含义如下：< 0.02useless for prediction、0.02 to 0.1Weak predictor、0....
python 计算变量的IV值
chensq_yinhai的博客
07-09 6265
在机器学习的二分类问题中，IV值（Information Value）主要用来对输入变量进行编码和预测能力评估。特征变量IV值的大小即表示该变量预测能力的强弱，在面对大量变量的情况下，可计算各个变量的IV值，取IV值大于某个固定值的变量参与到模型中去，这样不仅保留了特征携带的信息量。且提高了模型效率，此外有利于给客户解释和汇报。 2. IV值计算（python 代码如下） #######...
torch 变量_机器学习-变量筛选之IV值和WOE
weixin_39640444的博客
10-26 757
1、IV值的用途IV，即信息价值（Information Value），也称信息量。目前还只是在对LR建模时用到过这两个关键指标，当我们使用决策树时可以通过限制树的深度间接筛选掉一些对于当前任务贡献比较小的变量， 而LR则是给多少变量就使用多少变量（L2正则下）。通常我们为了保证模型的有效性以及数据的全面性，在特征工程中会尽可能多的提供特征变量，包括衍生变量，这些衍生变量不会全部进入模型进行训练，...
IV值
lingan_Hong的博客
08-30 2万+
评分模型开发主要分为变量处理、模型建立、评分转换、模型评估4个步骤。 其中在变量处理的时候涉及IV值和WOE值的计算。 基于抽样后得到训练样本集数据，由于变量数量通常较多，不推荐直接采用逐步回归的方法进行筛选。 由于各个变量的量纲和取值区间存在很大的差别，通常会对变量的取值进行分箱并计算 证据权重 WOE值(weight of evidence) ，从而降低变量属性的个数，并且平滑的变量的...
sklearn特征分箱、woe值iv值计算、特征选择代码
06-01
好的，下面是 sklearn 中特征分箱、WOE/IV 值计算、特征选择的示例代码： 1. 特征分箱： ```python from sklearn.preprocessing import KBinsDiscretizer # 定义分箱器 est = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='uniform') # 对数据进行分箱 X_binned = est.fit_transform(X) ``` 2. WOE/IV 值计算： ```python from sklearn.feature_selection import mutual_info_classif from sklearn.feature_selection import SelectKBest # 计算每个特征的信息增益 info_gain = mutual_info_classif(X, y) # 选择前 k 个信息增益最大的特征 k = 5 selector = SelectKBest(mutual_info_classif, k=k) selector.fit(X, y) # 获取选择的特征和对应的 WOE/IV 值 selected_features = X.columns[selector.get_support()] woe_iv_values = pd.DataFrame({'features': selected_features, 'woe': woe_values, 'iv': iv_values}) ``` 3. 特征选择： ```python from sklearn.feature_selection import RFE from sklearn.linear_model import LogisticRegression # 定义逻辑回归模型和 RFE 特征选择器 lr = LogisticRegression() rfe = RFE(lr, n_features_to_select=5) # 对数据进行特征选择 X_new = rfe.fit_transform(X, y) ``` 希望以上代码能对你有所帮助，如有其他疑问可以再跟我说哦。
评论
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