1700500381
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497581]
1700500382
数据挖掘与数据化运营实战：思路、方法、技巧与应用 8.6.6 IV和WOE
1700500383
1700500384
当目标变量是二元变量（Binary），自变量是区间型变量（Interval）时，可以通过IV（Information Value）和WOE（Weight of Evidence）进行自变量的判断和取舍。在应用IV和WOE的时候，需要把区间型自变量转换成类别型（次序型）自变量，同时要强调的是目标变量必须是二元变量（Binary），这两点是应用IV和WOE的前提条件。
1700500385
1700500386
举例来说，在一个“预测用户是否在信用卡使用上有信用欺诈嫌疑”的项目里，目标变量是“是否存在信用欺诈行为”，是个二元变量（0,1），0代表没有欺诈，1代表有欺诈；同时，自变量里有一个字段“用户的年收入”，在数据仓库的原始记录里，该字段“用户的年收入”是属于区间型变量（Interval）的，如果采用WOE和IV的指标方法判断其是否具有预测价值，即是否适合作为自变量放进模型里去预测，就需要先把这个区间型的变量“用户的年收入”进行转换，使其变成类别型变量（次序型变量），比如“分箱”成为具有4个区间的类别型变量，且这些变量分别为小于20 000元、[20 000,60 000)、[60 000,100 000），以及100 000元以上，共4类。
1700500387
1700500388
上述举例中的4类区间，又称为变量“用户的年收入”的4个属性（Attribute），针对每个属性（Attribute），可以计算样本数据里的WOE，公式如下：
1700500389
1700500390
1700500391
1700500392
1700500393
其中
1700500394
1700500395
1700500396
1700500397
1700500398
1700500399
1700500400
1700500401
1700500402
1700500403
在上述公式中，和分别代表在该属性值里，样本数据所包含的预测事件和非事件的数量；nevent和Nnonevent分别代表在全体样本数据里所包含的预测事件和非事件的总量。
1700500404
1700500405
而一个变量的总的预测能力是通过IV（Information Value）来表现的，它是该变量的各个属性的WOE的加权总和，IV代表了该变量区分目标变量中的事件与非事件的能力，具体计算公式如下。
1700500406
1700500407
1700500408
1700500409
1700500410
与IV有相似作用的一个变量是Gini分数（Gini Score），Gini分数的计算步骤如下：
1700500411
1700500412
1）根据该字段里每个属性所包含的预测事件（Event）与非事件（Nonevent）的比率，按照各属性的比率的降序进行排列。比如，该字段共有m个属性，排序后共有m个组，每个组对应一个具体的属性，第一组就是包含预测事件比率最高的那个组。
1700500413
1700500414
1700500415
1700500416
2）针对排序后的每个组，分别计算该组内的事件数量和非事件数量。
1700500417
1700500418
3）计算Gini指数，其公式如下：
1700500419
1700500420
1700500421
1700500422
1700500423
上述公式中，Nevent和Nnonevent分别代表样本数据里总的事件数量和非事件数量。
1700500424
1700500425
总体来说，应用IV、WOE、Gini Score3个指标时，可以在数据挖掘实践中实现以下目标：
1700500426
1700500427
❑通过WOE的变化来调整出最佳的分箱阀值。通常的做法是先把一个区间型变量分成10～20个临时的区间，分别计算各自的WOE的值，然后根据WOE在各区间的变化趋势，做相应的合并，最终实现比较合理的区间划分。
1700500428
1700500429
❑通过IV值或者Gini分数，筛选出有较高预测价值的自变量，投入模型的训练中。
1700500430