基于python的信用卡评分模型_python评分卡建模-WOE转换和IV值

WOE全称为 Weight Of Evidence，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）

从公式可以看出，IV值是基于WOE计算的，相当于WOE的加权求和。其值的大小决定了自变量对目标变量的影响程度。

通常情况下，IV0.3时，预测能力强。

WOE和IV值和其他筛选变量方法相比有以下两点优势：

它可以对所有分类变量，顺序变量以及连续变量（需分箱）统一进行预测能力的计量。

可以对缺失值进行处理，将其看作一类即可分析信息缺失对于风险是否有影响

示例Python实现：

将逾期天数>90的客户定义为坏客户1，其余为0；取学历和逾期天数，观测学历的信息值

计算学历各分类对应的总数和坏客户数

合并数据集，计算好客户数，和学历各分类对应的坏客户比例和好客户比例

计算WOE和IV

IV值等于0.155,对是否是坏客户有一定的预测能力。