什么是WOE
WOE（Weight of Evidence）即證據(jù)權重盏道，可以將logistic回歸模型轉化為標準評分卡格式，WOE是對原始自變量的一種編碼形式雇锡，要對一個變量進行WOE編碼，需要首先把這個變量進行分組處理（也叫離散化渠概、分箱）锦亦。
WOE的公式就是：WOE=ln(好客戶占比/壞客戶占比)×100%=優(yōu)勢比
下面舉例說明：
woe計算
我們把這個變量離散化為了4個分段：<100元舶替，[100,200)，[200,500)杠园，>=500元顾瞪，并分別計算了每組的woe值，重計算數(shù)據(jù)可知：
- 當前分組中抛蚁，響應的比例越大陈醒，WOE值越大
- 當前分組WOE的正負，由當前分組響應和未響應的比例篮绿，與樣本整體響應和未響應的比例的大小關系決定孵延，當前分組的比例小于樣本整體比例時吕漂，WOE為負亲配，當前分組的比例大于整體比例時，WOE為正惶凝，當前分組的比例和整體比例相等時吼虎，WOE為0。
為什么做woe轉換
首先明確woe轉換并不一定能顯著提高模型質量苍鲜，建立評分卡也可以不采用woe思灰，這種情況下logistic回歸需要處理更大數(shù)量的自變量，盡管這樣會增加建模的復雜性混滔，但最終得到的評分卡都是一樣的洒疚。即便如此，woe轉換依舊有很多的優(yōu)勢：
- woe能反映自變量的貢獻情況
自變量內部WOE值的變異（波動）情況坯屿，結合模型擬合出的系數(shù)油湖，構造出各個自變量的貢獻率及相對重要性。一般地领跛，系數(shù)越大乏德，woe的方差越大，則自變量的貢獻率越大吠昭。 - 標準化功能
WOE編碼之后喊括，自變量其實具備了某種標準化的性質，也就是說矢棚，自變量內部的各個取值之間都可以直接進行比較（WOE之間的比較）郑什，而不同自變量之間的各種取值也可以通過WOE進行直接的比較。 - 對異常值不敏感
很多極值變量通過WOE可以變?yōu)榉钱惓Ｖ灯牙撸芏囝l次較少的變量也可以通過woe轉換進行合并蘑拯。
通過woe轉化劫拢，極大的提高了數(shù)據(jù)的可理解性，這對評分卡模型很重要强胰。WOE其實描述了變量當前這個分組舱沧，對判斷個體是否會響應（或者說屬于哪個類）所起到影響方向和大小，當WOE為正時偶洋，變量當前取值對判斷個體是否會響應起到的正向的影響熟吏，當WOE為負時，起到了負向影響玄窝。而WOE值的大小牵寺，則是這個影響的大小的體現(xiàn)。
