? ? ? ? 風(fēng)控建模常用邏輯回歸模型岸军，模型的特征必須是數(shù)值型特征肖抱，因此需要對類別型特征進行編碼备典；此外异旧，為了獲得模型的穩(wěn)定性意述，建模時需要對數(shù)值型特征進行分箱處理。最終，對進入模型的特征還要做單變量與多變量分析荤崇。
1.分箱簡述
分箱的定義：1）對于數(shù)值型變量拌屏，將取值范圍分為幾個有限的分段，例如將收入分為<5k,510k,1020k,>20k等术荤；2）對于類別型變量倚喂，如果取值很多，將 其合并為較少的幾個分段瓣戚。
分箱原因：1）評分結(jié)果需要穩(wěn)定性端圈，當(dāng)樣本數(shù)值型變量發(fā)生較小波動，評分結(jié)果不應(yīng)發(fā)生改變子库；2）對于類別型變量舱权，當(dāng)取值很多時，如果不分箱會發(fā)生變量膨脹仑嗅，例如宴倍，對31個省份編碼，獨熱編碼會有31個變量仓技，dummy編碼也會有30個變量鸵贬。
分箱要求：1）取值較少的類別型變量不需要分箱；2）分箱結(jié)果需要有序性脖捻；3）分箱的平衡性阔逼；占比最小的箱數(shù)據(jù)不低于5%；4）分箱的單調(diào)性：在要求較嚴(yán)格的情況下地沮，每箱的壞樣本率與箱呈單調(diào)關(guān)系颜价；當(dāng)非單調(diào)時，需要與前箱或后箱合并诉濒，選擇前或后有兩種方案：一是選擇合并后卡方值小的方案周伦；二是選擇合并后更加均勻的方案，均勻程度的衡量方式為：,其中
為每箱樣本占比未荒，值越小越均勻5）分箱的個數(shù)专挪，通常分箱后，箱的個數(shù)不能太多片排，一般5~7個;5)特殊值作為一箱寨腔，但不參與單調(diào)性比較，若特殊值的分箱樣本占比低于5%率寡，則與第一箱或最后一箱合并迫卢。
分箱的優(yōu)缺點：優(yōu)點：1）比較穩(wěn)定，原始變量在一定范圍內(nèi)波動冶共，不會影響結(jié)果乾蛤；2）可以處理缺失值每界，將缺失值作為特殊取值；3）異常值處理家卖，可以與其他取值合并為一箱眨层；4）無需歸一化，數(shù)值型變量變?yōu)轭悇e型上荡，沒有尺度的差異趴樱。缺點：1）有一定信息的丟失；2）需要編碼酪捡，分箱后是類別型叁征，需要進行數(shù)值編碼。
2.分箱方法
分箱的初衷將相似度高的樣本分為一組逛薇。無監(jiān)督分箱考慮的是特征分布相似度航揉；有監(jiān)督分箱考慮的是特征業(yè)務(wù)含義相似度。
- 有監(jiān)督：卡方分箱金刁，決策樹分箱
優(yōu)點：與目標(biāo)變量結(jié)合帅涂，最大程度將目標(biāo)變量的信息反映在特征中
缺點：計算量大 - 無監(jiān)督：等頻、等距尤蛮、聚類
優(yōu)點：計算簡單
缺點：合理性得不到保證媳友；不能充分利用目標(biāo)變量的信息
卡方分箱
? ? ? ? 在有監(jiān)督的分箱中，卡方分箱是一種常用的方法产捞，它以卡方分布和卡方值為基礎(chǔ)醇锚，判斷某個因素是否會影響目標(biāo)變量∨髁伲卡方檢驗的無效假設(shè)H0是：觀察頻數(shù)與期望頻數(shù)沒有差別焊唬，即該因素不會影響目標(biāo)變量】纯浚基于該假設(shè)計算卡方值赶促，它表示觀察值與理論值之間的偏離程度，根據(jù)卡方值與自由度確定獲得當(dāng)前取值及更極端取值的概率P挟炬，如果P值很小鸥滨，則拒絕原假設(shè)。
卡方值計算:
為因素取值個數(shù)
為第
組
類別的觀測頻數(shù)
為第
? ? ? ? 卡方分箱是采用自下向上不斷合并的方法完成分箱谤祖。在每一步合并的步驟中婿滓，依靠最小的卡方值尋找最優(yōu)的合并項。其核心思想是粥喜，如果兩個區(qū)間可以被合并凸主，那么這兩個壞樣本需要最接近的分布，進而意味著兩個區(qū)間的卡方值是最小的额湘，具體步驟為：
（1）將數(shù)值變量A排序后分成區(qū)間較多的若干組卿吐；
（2）計算相鄰區(qū)間合并后的卡方值旁舰；
（3）將卡方值最小的相鄰兩區(qū)間合并；
（4）不斷重復(fù)2,3步但两，直至終止條件。終止條件：1）最小卡方值的p值超過0.1或者0.05供置；2）區(qū)間數(shù)達(dá)到指定數(shù)目谨湘。在開發(fā)評分卡模型時，還需滿足以下兩個條件：1）每箱的壞樣本率單調(diào)芥丧，如果非單調(diào)性有一定的業(yè)務(wù)含義紧阔，可以保留U型或倒U型的壞樣本率分布；2）每箱都有好樣本和壞樣本续担，為了后續(xù)計算WOE值擅耽。
以上的分箱是對于數(shù)值型變量。對于無序類別型變量物遇，比如省份乖仇，需要對變量進行數(shù)值編碼，常用壞樣本率編碼編碼后排序询兴、分箱乃沙；對于有序類別型變量，比如學(xué)歷诗舰，可以排序后分箱警儒。
卡方分箱優(yōu)缺點：優(yōu)點：1）解釋性強，以卡方檢驗為原理眶根，具有很強的統(tǒng)計意義蜀铲，可以解決多分類場景{非違約，輕度違約属百，重度違約}的分箱记劝；缺點：計算量大。
3.WOE編碼
? ? ? ? 編碼是一種數(shù)值代替非數(shù)值的操作族扰，目的是為了讓模型對其進行數(shù)學(xué)運算隆夯。
第箱WOE值的計算公式：
其中。
表示第
箱好樣本數(shù)别伏，
是全部好樣本數(shù)蹄衷。
優(yōu)缺點：優(yōu)點：1)提高模型性能，具有業(yè)務(wù)意義厘肮，比如大于0時愧口，表示該箱的好壞比大于整體樣本好壞比；2）統(tǒng)一變量的尺度类茂，一般介于-4~4之間耍属；3）分層抽樣后WOE不變托嚣。缺點：1）對于多類別變量無效。
4.特征信息值IV
? ? ? ? IV可以衡量變量的重要性厚骗，進而篩選重要的特征示启。
IV計算公式：
IV值是非負(fù)的；woe反映的是每箱中好壞比相對全體樣本好壞比的超出领舰，而IV反映的是這種超出的顯著性夫嗓。需要注意：1）IV越大，特征越重要冲秽，但不宜過大舍咖，否則有過擬合的風(fēng)險；2）IV計算同樣要求每箱要有好壞樣本锉桑；3）不僅與特征重要度有關(guān)排霉，同時與分箱方式有關(guān)，分箱越細(xì)民轴，IV越大攻柠。
5.單變量分析（Single Factor Analysis）
1.特征重要性
IV>=0.2，有較高重要性
IV介于0.1~0.2后裸，有較弱重要性
IV<0.1辙诞，幾乎無重要性
2.穩(wěn)定性
通常使用PSI指標(biāo)
3.覆蓋率
篩除掉覆蓋率較低的樣本
6.多變量分析（Multi Factor Analysis）
完成單變量分析后，需要對變量的整體性做把控轻抱，進一步縮減變量規(guī)模飞涂，形成全局更優(yōu)的變量體系。
- 兩兩線性相關(guān)性祈搜，較多的相關(guān)性會造成信息冗余较店，同時增加模型開發(fā)、部署與維護的負(fù)擔(dān)容燕。通常使用相關(guān)性矩陣檢驗相關(guān)性
- 多重共線性梁呈。多重共線性是指某一變量，與其他變量的線性組合存在較強的線性相關(guān)性蘸秘。多重共線性通常使用方差膨脹因子（VIF）衡量官卡，其計算公式為:
,其中
是
對
的線性回歸的決定系數(shù)。一般當(dāng)VIF>10時醋虏，表示存在多重共線性寻咒。
（如有不同見解，望不吝指教＞苯馈Ｃ亍）
