1. 分箱与WOE概述：为什么需要分箱？WOE编码在风控与信用评分中的核心地位
1.1 为什么需要分箱？
在风控与信用评分模型中，原始特征（如年龄、收入、负债率）通常是连续变量或类别过多的离散变量。直接将这些原始特征输入逻辑回归或评分卡模型，会面临以下问题：
- 非线性关系难以捕捉： 年龄与违约率往往呈U型关系（年轻人与老年人违约率高，中年人低），线性模型无法直接拟合这种模式。
- 异常值敏感： 极端收入值会过度影响模型系数，导致评分卡不稳定。
- 缺失值处理困难： 连续变量中的缺失值需要单独填充，但填充方式可能引入偏差。
- 模型可解释性下降： 评分卡业务方需要理解“年龄在30-40岁之间”的违约风险，而非“年龄每增加1岁，log-odds变化0.02”。
分箱（Binning） 将连续变量或高基数离散变量划分为有限的几个区间（箱），从而将数值映射为离散的类别。这是特征工程中降噪、增强稳定性和可解释性的关键步骤。
核心收益： 分箱后，每个箱内的样本具有相似的违约风险，箱与箱之间风险差异最大化，为后续WOE编码和评分卡建模奠定基础。
1.2 WOE编码在风控与信用评分中的核心地位
WOE（Weight of Evidence，证据权重） 是信用评分模型中衡量某个分箱内“好客户”与“坏客户”分布差异的指标。其计算公式为：
WOE_i = ln( (Bad_i / Bad_total) / (Good_i / Good_total) )其中：
- Bad_i：第i个分箱中的坏客户数量
- Good_i：第i个分箱中的好客户数量
- Bad_total：全体坏客户总数
- Good_total：全体好客户总数
WOE编码将每个分箱替换为其对应的WOE值，从而将分类特征转化为连续型特征，且与逻辑回归的线性假设天然契合。在标准评分卡中，WOE编码是连接分箱与最终评分的桥梁。
WOE的直观含义： WOE > 0 表示该箱中坏客户占比低于好客户占比（风险较低）；WOE < 0 表示该箱风险较高。WOE绝对值越大，该箱对违约风险的区分能力越强。
1.3 分箱与WOE编码在评分卡中的位置
下图展示了从原始特征到最终信用评分的完整流程，其中分箱与WOE编码处于特征工程的核心环节：
1.4 分箱与WOE编码的对比优势
下表总结了直接使用原始特征与经过分箱+WOE编码后的特征在建模中的关键差异：
| 对比维度 | 原始特征直接建模 | 分箱 + WOE编码后建模 |
|---|---|---|
| 非线性关系 | 需手动添加多项式或交互项 | 分箱自动捕捉U型、阶梯型等非线性模式 |
| 异常值影响 | 极端值严重扭曲模型系数 | 异常值被归入边界箱，影响被平滑 |
| 缺失值处理 | 需单独插补，可能引入偏差 | 缺失值作为独立分箱，WOE直接反映其风险 |
| 模型可解释性 | 系数含义抽象，业务方难以理解 | 每个箱对应一个WOE值，可直接解释为“该年龄段的风险偏移” |
| 特征稳定性 | 对数据分布变化敏感 | 分箱边界固定后，WOE值相对稳定，便于模型监控 |
| 与逻辑回归契合度 | 需保证特征与log-odds线性 | WOE编码天然满足线性假设，无需额外变换 |
1.5 分箱与WOE编码的典型应用场景
- 信用评分卡（Scorecard）： 银行、消费金融公司使用WOE编码构建申请评分卡、行为评分卡，评估客户违约概率。
- 反欺诈模型： 对交易金额、频次等特征分箱后计算WOE，识别异常交易模式。
- 客户流失预测： 将用户活跃度、消费间隔等连续变量分箱，WOE编码后输入逻辑回归或梯度提升树。
- 医疗风险分层： 对年龄、血压、胆固醇等指标分箱，WOE编码后评估患者并发症风险。
注意事项： WOE编码要求目标变量为二分类（好/坏、违约/正常）。对于多分类或回归任务，需使用其他编码方式（如Target Encoding）。此外，分箱数量不宜过多（通常3-8箱），否则会导致过拟合。