python信用评分卡建模（附代码，博主录制）
https://zhuanlan.zhihu.com/p/20603744参考
在机器学习的二分类问题中，WOE(Weight of Evidence)和Information Value的用来对输入变量进行编码及预测能力评估。安利一下自己写的用来计算这两个值的python工具，目前没有发现python有现成的工具，就自己写了一个。
GitHub地址：GitHub - patrick201/information_value
这两个公式的原始出处没有找到，但现在公开资料解释已经很多了，公式偷懒截图公式如下（来自引用的新浪博客），附上的引用链接有一个很好的举例说明。
IV的公式借鉴了信息熵的公式，形式上长的很像但不完全相同。IV本质上市WOE的加权和，而WOE反应的是logistic回归中odds ratio的概念ln(p1 / p0)，再看其前面的权重p1 - p0也反应的是这个意思。所以可以理解成IV是对这个变量在概率优势上的能力打分。
特征变量的每个category都对应一个WOE值。比如例子引用中的年龄变量划分了4个变量，对应的有4个WOE值；再将它们加权求和之后就得到这个变量的IV值。IV值可以用来评估该变量预测能力的强弱。引用文章中给出了一个判断的标准，直接贴在下。这个标准作为一个参考吧，具体用的时候得结合手头的数据集具体分析。
Information Value Predictive Power< 0.02useless for prediction0.02 to 0.1Weak predictor0.1 to 0.3Medium predictor0.3 to 0.5Strong predictor >0.5Suspicious or too good to be true
目前就一个工具类information_value.py，里面主要就下面几个方法。需要在传入前将数据集自己做离散化，否则目前只会默认无脑的做“5等分”离散化。:)
woe -- 计算输入数据集每个变量的woe和iv，并返回所有变量对应这两个值的列表，woe是一个字典dictionary的列表，因为不同的变量有不同的category取值。
woe_single_x -- 计算单个变量的woe和iv。
woe_replace -- 将数据集中变量的category取值用其对应的woe值替换，并返回替换后的数据集。有的实验称用woe替换后训练的分类器能会更好，所以提供了这么个函数。
combined_iv -- 计算将一些变量组合后对应的woe及iv值。这个函数主要是想服务于一些需要大量迭代的变量选择技术，比如有的文献提到用GA或PSO算法来选择优化的变量组合。而如果将iv计算来作为迭代时的“fit function”，计算量是非常小的。但是如果组合的变量太多的话，组合起来的category类别会很多，影响使用，所以合适组合的变量数量需要根据手头的数据量及分布情况来试验。
试验了一个scikit learn自带的数据集（当然自带的这个相对容易分类），在“评估变量重要性”这个方向上与随机森林方法进行了比较，结果如下两个图。可以看到前几个“很重要”的变量，以及最后几个“很不重要”的变量，根据IV评估的结果与RF给出的结果是很相近的。但是IV的计算量要比训练一个随机森林模型小多了。当然并不是每个手头的数据都能符合这样的结果，需要具体试验，但至少多了一个选择可以供我们参考。如果IV的结果能近似达到RF的结果，在大规模进行计算的时候也是一个挺吸引人的备选项。
随机森林中队变量重要性计算的思路很有意思，对某个自变量加随机扰动bump，然后看预测误差前后变化有多大。越大的认为这个变量对结果越有影响，也就是越重要。这与以前在银行工作时pricing框架下计算奇异衍生品组合的greeks思路很像，后者也是对影响衍生品的风险因子进行bump看组合的pv(present value)变化多少。实用又神奇的思路。
根据使用的情况我会尽量不断调整修改代码，欢迎大家试用并轻拍。Feature Selection是个巨大的坑，但希望我的小身板也能做些力所能及的。:)
python风控建模实战lendingClub(博主录制，catboost，lightgbm建模，2K超清分辨率)
https://study.163.com/course/courseMain.htm?courseId=1005988013&share=2&shareId=400000000398149
微信扫二维码，免费学习更多python资源