风控建模 数据对照篇：WOE IV 回归系数 P值 相关系数 共线性指标 膨胀因子 KS AUC GINI PSI

最新推荐文章于 2023-09-17 12:37:42 发布
最新推荐文章于 2023-09-17 12:37:42 发布
阅读量2.4k 收藏 10
点赞数 1
分类专栏： 风控建模专栏 文章标签： 指标对照表
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/qq_23483285/article/details/88948048
版权
本文介绍了风控建模中关键指标的作用，如WOE（Weight of Evidence）用于衡量信息增益，IV（Information Value）评估变量区分效果，回归系数和P值分析变量重要性，共线性指标——膨胀因子检测模型稳定性，KS、AUC、GINI和PSI等评估模型性能。强调业务导向的重要性，不同机构对这些指标的接受标准可能有所差异，应根据具体业务场景参考使用。
摘要由CSDN通过智能技术生成

最重要的事情开始都会讲：建模是始终服务于业务的，没有业务的评分卡就没有灵魂

每一个指标段对应的评价如下，就当做各位的参考表数据吧。希望可以对大家有帮助

第一部分 指标图表以及英文简介

在这里插入图片描述

第二部分 指标对应参考数据

需要说明的是，由于对应的目标客群不同，可能各个指标所提供标准不同，可能银行和小贷公司对于KS的标准不相同，银行相对严格，小贷公司可能包含其余的策略性规则，因此可能KS相对比较小。因此，一定要根据具体的业务，这里给出的数据也是仅供参考

WOE (weight of evidence) weight of evidence 即在这一项中的信息增益量

我们做模型的时候实际上判定一个变量IV满不满足区分效果，实际根本上的计算是WOE以及各自比重：
1 当前分组中，响应的比例越大，WOE值越大；
2 当前分组WOE的正负，由当前分组响应和未响应的比例，与样本整体响应和未响应的比例的大小关系决定，当前分组的比例小于样本整体比例时，WOE为负，当前分组的比例大于整体比例时，
3 WOE为正，当前分组的比例和整体比例相等时，WOE为0
4 WOE的取值范围是全体实数
5 WOE描述变量当前这个分组，对判断个体是否会响应所起到影响方向和大小，当WO

最低0.47元/天 解锁文章
不安分 不焦虑
关注
专栏目录
PART 4 风控建模 变量筛选
不太焦虑又不太安分
03-10 1867
变量筛选包含核心点如下 1 变量可解释性 确定筛选变量是可解释变量，不是没有含义的 2 变量相关性 由于很多变量基于时间切片或者衍变模式类似，所以需要检测剔除，目前剔除方式是保留IV最大的，剔除IV较小的，但是这种方式忽略了变量间组合的效果作用，不能保证模型的效果最大化，后期会做相应的优化 3 变量共线性 两两相关性检测完毕后，需要观察变量与其他变量的组合关系 4 变量显著性 选择...
逻辑回归模型_金融风控模型之逻辑回归模型中回归系数的正负性符号的理解
weixin_39777213的博客
12-16 2866
在常见的现金贷金融风控模型中，逻辑回归模型是建模人员常用的用于用户信用评估的模型方案。在LR模型中，在特征工程阶段，经常采用WOE编码方式，因此本文简要的对逻辑回归模型中回归系数的正负性符号的理解做下理解说明。首先先来看下常见的WOE编码的计算公式：WOE编码方式逻辑回归的线性公式可以表示为：Ln(p/(1-p)) =β0 +β1*x1 +β2*x2 +β3*x3 +...+βn*xn其中，P是逻...
【机器学习】评价指标PSI
littlemichelle
06-26 1万+
话说这个我研一数据挖掘学过，但是现在一点点也不记得了
逻辑回归评分卡实战-toad
nikita_zj的博客
01-29 5952
逻辑回归评分卡实战-toad
数据挖掘实战（二）：特征工程
weixin_43590088的博客
08-08 847
文章目录一、特征衍生二、特征选择1. 利用随机森林做特征选择2. 利用IV值做特征选择2.1 WOE2.2 IV2.3 代码实现3. 利用相关系数做特征选择 一、特征衍生 特征衍生是现有的特征进行某种组合，生成新的具有含义的特征。 举例： 下面有份数据集，这份数据表示的是用户在电商平台上的购物行为（购物行为0表示点击但未购买，1表示购买） 通过这份数据（1〜9月的购物数据），需要解决的场景是预测...
PART 6 风控建模 评价指标
不太焦虑又不太安分
03-10 1307
一般公司风控建模的维度包括变量维度以及模型维度 建模玩家重心都会关注模型的整体效果，但是建模的效果本质上是变量的作用效果，在对模型汇报的前提下，建议需要再次检查变量维度信息，可以纠正整体模型效果 模型维度从宏观维度评价模型 变量维度 变量分箱情况 针对分箱效果的检测，详见 风控建模分箱篇 变量相关性 设定好最大相关系数标准（corr） 变量共线性 膨胀因子：一般设定为10以下，但是实际...
woe分析_评分卡模型剖析之一（woe、IV、ROC、信息熵）
weixin_34869021的博客
01-13 630
评分卡模型剖析之一(woe、IV、ROC、信息熵)信用评分卡模型在国外是一种成熟的预测方法，尤其在信用风险评估以及金融风险控制领域更是得到了比较广泛的使用，其原理是将模型变量WOE编码方式离散化之后运用logistic回归模型进行的一种二分类变量的广义线性模型。本文重点介绍模型变量WOE以及IV原理，为表述方便，本文将模型目标标量为1记为违约用户，对于目标变量为0记为正常用户；则WOE(weigh...
评分卡模型剖析之一（woe、IV、ROC、信息熵）
数据挖掘工人
09-26 3万+
信用评分卡模型在国外是一种成熟的预测方法，尤其在信用风险评估以及金融风险控制领域更是得到了比较广泛的使用，其原理是将模型变量WOE编码方式离散化之后运用logistic回归模型进行的一种二分类变量的广义线性模型。        本文重点介绍模型变量WOE以及IV原理，为表述方便，本文将模型目标标量为1记为违约用户，对于目标变量为0记为正常用户；则WOE(weight of Evidenc
java评分模型_评分卡模型剖析之一（woe、IV、ROC、信息熵）
weixin_42514736的博客
02-25 654
信用评分卡模型在国外是一种成熟的预测方法，尤其在信用风险评估以及金融风险控制领域更是得到了比较广泛的使用，其原理是将模型变量WOE编码方式离散化之后运用logistic回归模型进行的一种二分类变量的广义线性模型。本文重点介绍模型变量WOE以及IV原理，为表述方便，本文将模型目标标量为1记为违约用户，对于目标变量为0记为正常用户；则WOE(weight of Evidence)其实就是自变量取某个值...
【风控模型方法论】利用系数符号、VIF和IV快速挑选模型变量
ShawnLi42的博客
08-15 1236
风控模型评分卡自动化逻辑的最后一步：根据系数、VIF自动对变量进行优中选优
滚动率、Vintage、WOE、IV、LIFT、PSI、GINI
sinat_37333675的博客
09-02 4069
WOE(weight of envidence) 证据权重 计算公式：woei=ln(badi/bad总goodi/good总)=ln(badibad总)−ln(goodigood总)woe_{i}=ln(\frac {bad_{i}/bad_{总}}{good_{i}/good_{总}})=ln(\frac {bad_{i}}{bad_{总}})-ln(\frac {good_{i}}{good_{总}})woei​=ln(goodi​/good总​badi​/bad总​​)=ln(bad总​badi​​
金融风控建模常用指标介绍（WOE, IV, KS, PSI）
最新发布
weixin_41891249的博客
09-17 1338
介绍金融风控建模常用指标，包括WOE, IV, KS, PSI。
金融风控指标:WOE, IV, KS，LIFT值和PSI
duncan
04-20 1万+
1.WOE：表示自变量在分组内取值对于目标变量（违约概率）的影响 •WOE的计算公式是： •WOE=ln[(坏样本/总坏样本)/(好样本/总好样本)]=ln[(坏样本/好样本)/(总坏样本/总好样本)] Pyi：是这个组中响应客户（坏样本）占所有样本中所有响应客户的比例 Pni：是这个组中未响应客户（好样本）占样本中所有未响应客户的比例 #yi：是这个组中响应客户的数量 #ni：是这个组中未响应客户的数量 #yT：是样本中所有响应客户(总的坏样本)的数量 #nT：是样本中所有未响.
模型稳定度指标PSI
Rango_lhl的博客
08-03 1万+
 群体稳定性指标PSI(Population Stability Index)是衡量模型的预测值与实际值偏差大小的指标。 PSI = sum（（实际占比-预期占比）* ln（实际占比/预期占比）） 举例： 比如训练一个logistic回归模型，预测时候会有个概率输出p。 测试集上的输出设定为p1吧，将它从小到大排序后10等分，如0-0.1,0.1-0.2,......。 现在用这个模型去...
机器学习-特征工程中的特征选择
数据掘金
08-18 2111
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 首先“无关.
风控算法知识——WOE值的深度理解与应用
未来金科学院
06-10 8335
导语：WOE值的深度理解与应用看这一篇就够啦！！！ 关注“金科应用研院”，回复“礼包” 领取风控资料合集 WOE是什么？ WOE，全称是“Weight of Evidence”，翻译过来就是证据权重,是对于字符型变量的某个值或者是连续变量的某个分段下的好坏客户的比例的对数。 实际的应用会将原始变量对应的数据替换为应用WOE公式后的数据，也称作WOE编码或者WOE化。 WOE编码需要首先将这个变量分组处也就是分箱。一般选择使用均匀分箱，离散型数据分箱个数就是该数据的数据类别个数，连续型数据一般会使用6组，尽可
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
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...
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