woe分析_WOE和IV

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：如果建模需要对好坏样本进行分层抽样，则抽样后计算的WOE与没分层计算的WOE是一致的。

3、其次可以统一变量的一个尺度，一般是【-4，4】之间

缺点：

1、根据公式来看可以看出每一个bin中必须包含bad和good样本

2、对多类别标签无效：如果是多分类，分箱后的WOE无法计算

WOE公式解析：

这个公式没毛病吧，这一箱的W