3、单变量特征筛选：IV值（信息量）计算与分箱、WOE编码原理、IV值筛选阈值设定
在风控建模中，单变量特征筛选是连接原始数据与模型训练的关键桥梁。IV（Information Value，信息量）与WOE（Weight of Evidence，证据权重）是衡量特征对二分类目标变量（如“好客户”vs“坏客户”）区分能力的经典方法。本节将深入讲解分箱逻辑、WOE编码的数学原理、IV值的计算过程以及筛选阈值的行业标准。
3.1 分箱（Binning）——WOE/IV计算的前置步骤
分箱是将连续变量或高基数离散变量划分为有限个区间（箱）的过程。合理的分箱能平滑噪声、捕捉非线性关系，并保证WOE计算的统计稳定性。
3.1.1 常用分箱方法对比
| 分箱方法 | 原理 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|---|
| 等距分箱 | 将变量值域按固定宽度切分 | 分布均匀的变量 | 实现简单，易于解释 | 对长尾分布敏感，箱内样本可能极不均匀 |
| 等频分箱 | 每个箱包含大致相同数量的样本 | 分布未知或偏态变量 | 保证每个箱的统计稳定性 | 可能将相近值强行分开，破坏业务含义 |
| 决策树分箱 | 利用单变量决策树寻找最优切分点 | 需要最大化目标变量区分度 | 自动捕捉非线性关系，IV值通常较高 | 容易过拟合，需设置最小样本数约束 |
| 卡方分箱 | 基于卡方检验合并相邻区间，直到满足显著性阈值 | 需要保证箱内目标分布一致性 | 统计严谨，自动控制合并过程 | 计算复杂度较高，对缺失值敏感 |
风控实践建议： 推荐优先使用决策树分箱（基于条件推断树或CART）作为初筛，再结合业务经验对边界值进行微调。每个箱的样本占比不应低于5%，且坏样本数至少为30个，以保证WOE的统计可靠性。
3.2 WOE编码原理
WOE（证据权重）衡量的是某个分箱内“坏客户”与“好客户”分布差异的强度。WOE编码将原始特征值替换为该箱对应的WOE值，从而将分类变量转化为连续型数值，且天然具备与Logistic回归等线性模型的兼容性。
3.2.1 WOE计算公式
WOE_i = ln( (Bad_i / Bad_total) / (Good_i / Good_total) )
其中：
- Bad_i ：第 i 个分箱中的坏样本数
- Bad_total：全部坏样本总数
- Good_i ：第 i 个分箱中的好样本数
- Good_total：全部好样本总数3.2.2 WOE的数学性质与业务含义
- 单调性：在风控场景中，WOE值通常应随风险等级单调变化（如收入越高，WOE值越大，表示“好”的倾向越强）。
- 符号含义：WOE > 0 表示该箱中坏样本占比低于整体平均水平（相对“好”）；WOE < 0 表示该箱中坏样本占比高于整体平均水平（相对“坏”）。
- 缺失值处理：将缺失值单独作为一个分箱，计算其WOE值，可直观反映缺失模式与目标变量的关联。
WOE编码的核心优势： 将非线性关系线性化，使得特征与Log-odds（对数几率）呈线性关系，从而提升Logistic回归和评分卡模型的拟合效果。同时，WOE值本身可作为特征重要性的直观度量。
3.3 IV值（信息量）计算
IV值是在WOE基础上，对特征整体区分能力的量化汇总。它衡量的是特征对“好/坏”客户分布的分离程度。
3.3.1 IV计算公式
IV = Σ [ (Bad_i / Bad_total - Good_i / Good_total) * WOE_i ]
其中求和遍历所有分箱 i。从公式可以看出，IV值实际上是每个分箱的“分布差异”与“WOE强度”的加权和。分箱的分布差异越大、WOE绝对值越大，该分箱对IV的贡献就越高。
3.3.2 IV计算示例（3个分箱）
| 分箱 | 样本数 | 好样本数 | 坏样本数 | 好占比 | 坏占比 | WOE | IV贡献 |
|---|---|---|---|---|---|---|---|
| 箱1（低风险） | 3000 | 2900 | 100 | 0.4833 | 0.1000 | 1.575 | 0.603 |
| 箱2（中风险） | 2000 | 1500 | 500 | 0.2500 | 0.5000 | -0.693 | 0.173 |
| 箱3（高风险） | 1000 | 600 | 400 | 0.1000 | 0.4000 | -1.386 | 0.416 |
| 合计 | 6000 | 5000 | 1000 | 1.000 | 1.000 | — | 1.192 |
上例中，该特征的IV值为1.192，属于“强预测力”特征。
3.4 IV值筛选阈值设定
在风控建模中，IV值被广泛用于单变量特征筛选。以下是行业通用的IV值解释与筛选规则：
| IV值范围 | 预测力等级 | 筛选建议 |
|---|---|---|
| < 0.02 | 无预测力 | 直接剔除 |
| 0.02 ~ 0.10 | 弱预测力 | 视情况保留（如业务逻辑强或与其他特征互补） |
| 0.10 ~ 0.30 | 中等预测力 | 建议保留，适合入模 |
| 0.30 ~ 0.50 | 强预测力 | 优先保留 |
| > 0.50 | 极强预测力（需警惕过拟合） | 谨慎使用，检查是否与目标变量存在数据泄露或过度拟合 |
⚠️ 重要警示： IV值 > 0.50 的特征虽然区分能力极强，但在风控场景中往往意味着该特征与目标变量存在直接或间接的数据泄露（如“逾期天数”预测“是否逾期”）。此类特征在跨时间验证中通常表现极不稳定，建议结合业务逻辑进行人工审查，或直接剔除。
3.5 IV/WOE筛选流程总览
下图展示了从原始特征到IV值筛选的完整流程，包含分箱、WOE计算、IV汇总与阈值决策四个核心阶段。
3.6 实战注意事项与避坑指南
- 分箱数量控制：连续变量分箱数量建议控制在3~8箱，过少会丢失信息，过多会导致WOE不稳定。
- WOE单调性检查：在评分卡模型中，WOE应随风险等级单调递增或递减。若出现“U型”或“倒U型”WOE，需重新调整分箱边界。
- 缺失值单独成箱：不要将缺失值填充后与其他箱合并，缺失模式本身可能包含重要的风险信号。
- IV值的时间稳定性：在训练集上IV值高的特征，在跨时间验证集上可能大幅衰减。建议使用时间切片验证IV的稳定性。
- 避免高相关特征同时入模：IV筛选是单变量方法，无法处理特征间的多重共线性。高IV特征之间可能存在强相关性，需结合后续的多变量筛选（如VIF、LASSO）进一步处理。
总结： IV值与WOE编码是风控特征筛选的基石。通过合理分箱、准确计算WOE、科学设定IV阈值，可以快速从数百个原始特征中筛选出最具预测力的变量，为后续的XGBoost等复杂模型提供高质量的特征输入。记住：好的特征筛选是模型成功的一半。