特征筛选方法

WOE和IV通常是用在模型特征筛选的。IV和WOE能够帮助我们衡量什么变量应该进入模型，什么变量应该舍弃。用IV和WOE的值来进行判断，值越大就表示该特征的预测能力越强，则该特征应该加入到模型的训练中。

WOE

WOE（Weight Of Evidence）用来衡量特征的预测强度，要使用WOE的话，首先要对特征进行分箱（分组：将一种特征的组成元素进行分组），分箱之后，对于其中第i组的WOE值公式如下：

其中，pyi表示该组中的正例占负例样本的比例，pni表示整体的正例占负例样本的比例。

根据ln函数的特性，就是当这个组中响应样本的比例比总体的响应比例小时为负数，相等时为0，大于时为正数。

我们可以把所有分组的WOE值的绝对值加起来，这个可以在一定程度上表示这个变量的预测能力，但是我们一般不会这么做，因为对于分组中的样本数量相差悬殊的场景，WOE值可能不能很好的表示出这个变量的预测能力，我们一般会用到另一个值：IV值。这个值在计算的时候，比WOE值多考虑了一层该变量下该分组占该变量下所有样本的比例。

IV

IV值的计算公式是在WOE的基础上多乘了一个(py_i-pn_i)

把分组计算出来的所有IV值加起来，就是这个变量的IV值，然后把所有变量的IV值都算出来，就可以根据IV值的大小来看出变量的预测能力。

分箱

数据分箱（也称为离散分箱或分段）是一种数据预处理技术，用于减少次要观察误差的影响，是一种将多个连续值分组为较少数量的“分箱”的方法。说白了就是将连续型特征进行离散化。

例如，如果我们有一组关于人年龄的数据，我们可以设置一些条件将他们的年龄分组到更少的间隔中。

对连续性特征进行离散化

注意：

分箱的数据比一定必须是数字，它们可以是任意类型的值，如“狗”，“猫”，“仓鼠”等。分箱也用于图像处理，通过将相邻像素组合成单个像素，它可用于减少数据量。

分箱的作用和意义

离散特征的增加和减少都很容易，易于模型的快速迭代，提升计算速度。

特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。

特征离散化以后，起到了简化了模型的作用，可以适当降低了模型过拟合的风险。