第1章：什么是WOE？从一张评分卡说起

大家好，我是老张。在风控这一行混了十多年，踩过的坑比走过的路还多。今天开始咱们聊信用评分建模，第一件事就是把WOE这个家伙彻底搞明白。

你可能会想：WOE不就是个特征变换吗？网上资料一搜一大把。嗯…我刚开始做评分卡时也这么觉得。直到有一次模型上线后，分数分布出现严重偏移，排查了三天才发现是WOE的样本分层出了问题。从那以后，我对WOE的态度就变成了——不把它的底层逻辑吃透，绝不轻易动代码。

这一章，咱们先把WOE、评分卡、样本分层这三个核心概念说清楚。后面的章节再一步一步带大家实战。

1.1 为什么需要WOE？

先说个简单的道理。你在银行申请贷款，审批系统会给你打个分。这个分数就是信用评分。评分卡模型的核心，就是把用户的特征（比如年龄、收入、逾期次数）映射成对应的分数，然后加总。

但这里有个问题：原始特征和违约概率之间，通常不是线性关系。举个例子，年龄20岁和30岁的违约率可能差3倍，但30岁和40岁只差1.2倍。如果你直接把“年龄”这个数字扔进线性回归，模型会误以为每增加1岁，违约概率变化是固定的。

WOE（Weight of Evidence，证据权重）就是为了解决这个非线性问题。它把连续变量分箱后，再计算每个箱子的权重。说白了，就是用“违约概率 vs 正常概率”的对比来给每个箱子赋值。

这个值越大，说明这个箱子的客户违约风险越低（正分）；反之，WOE为负，说明风险高。

1.2 信用评分卡长什么样？

经典的评分卡，其实就是一张表。每列是一个特征，每行是一个分箱区间，每个格子写的是该区间对应的“分数”。

我习惯用下面这个结构来记：

特征	分箱区间	WOE	分数
年龄	[18, 25)	-0.52	-12
年龄	[25, 35)	0.15	3
年龄	[35, 50)	0.48	11
年龄	[50, +∞)	0.72	17

你看，年龄越大，WOE越高，分数也越高。这就是评分卡“打分”的底层逻辑。而分数 = (WOE × 系数 + 截距) 再缩放得到的。具体公式后面再讲，今天先记住：WOE是一切分数的源头。

1.3 样本分层到底是什么意思？

好，关键来了。你手上有50万客户样本，里面只有1万是逾期的（坏客户）。如果你直接拿全量数据去算WOE，坏客户的分布会被大量好客户淹没。

比如年龄区间[18,25]里总共1000人，其中坏客户只有10个。好客户占比99%。但坏客户占总坏客户的比例可能是10/10000=0.1%，好客户占比是990/490000≈0.2%。两者差异很小，WOE算出来趋近于0，完全看不出这个区间的风险特征。

为什么会这样？因为样本不平衡！这就是为什么我们需要样本分层。说白了，就是把好客户和坏客户分开，分别计算各自在每个箱子里的分布比例，然后再算WOE。

样本分层的标准做法是：

1. 分训练集和验证集：确保两层都有足够的坏样本。
2. 按结果标签分层：计算WOE时，只看坏客户在每个箱子里的占比，以及好客户的占比，两者独立计算。
3. 增加坏样本权重：如果坏样本太少，可以考虑加入过采样或欠采样。但注意，WOE计算本身不接受样本权重——它只看计数比例。
4. 分箱后合并：每个箱子必须同时包含好客户和坏客户，否则WOE会变成无穷大。这是最容易踩的坑。

1.4 项目目标：从数据到评分卡

咱们这门实战课的目标非常清晰：给你一套真实脱敏数据集，带着你把WOE计算、样本分层、分箱、评分卡转换全流程走一遍。最后输出一张可直接上线的评分卡模型。

整个流程可以拆成7步：

1. 数据探索：检查缺失率、异常值、分布。
2. 分箱：对每个特征做最优分箱（比如用卡方分箱或决策树分箱）。
3. WOE计算：基于分箱结果，按样本分层计算每个箱子的WOE。
4. IV筛选：用信息量（Information Value）筛选最重要的特征。
5. 模型训练：用WOE值替换原始特征，训练逻辑回归模型。
6. 分数转换：把模型系数和截距映射成分数。
7. 模型验证：KS、AUC、PSI，一个都不能少。

下面这张图帮你把整个项目框架刻在脑子里：

每个环节后面都会用真实数据演示。今天先把概念框架搭好，后面实战时你就能知道每一步在做什么。

1.5 课程能给你的价值

这门课不是讲理论，是手把手带你做。每一行代码我都会写出来，每个调参坑我都会告诉你。说白了，你跟着走完一遍，就能自己从零开始造一张评分卡。

我建议你先准备好Python环境和一份脱敏信贷数据集（课程会提供脱敏数据）。如果没有，用公开的give me some credit数据也行。关键在于理解思路。