机器学习D10——WOE和IV编码

概述

• WOE和IV通常是用在模型特征筛选的。IV和WOE能够帮助我们衡量什么变量应该进入模型，什么变量应该舍弃。用IV和WOE的值来进行判断，值越大就表示该特征的预测能力越强，则该特征应该加入到模型的训练中。

应用

• 1、变量筛选。我们需要选择重要的变量加入模型，预测强度就可以作为我们判断变量是否重要的一个依据。
• 2、指导变量离散化。在建模过程中，时常需要对连续变量进行离散化处理，如年龄分段。但变量的不同离散化结果（如：年龄分为［0-20］还是［0-15］）会对模型产生不同的影响。因此，可以根据指标反应的预测强度，调整变量离散化结果。

WOE

• WOE（Weight Of Evidence）用来衡量特征的预测强度，要使用WOE的话，首先要对特征进行分箱（分组：将一种特征的组成元素进行分组），分箱之后，对于其中第i组的WOE值公式如下：
  
  • 其中，py_i表示该组中的正例占负例样本的比例，pn_i表示整体的正例占负例样本的比例。
  • 根据ln函数的特性，就是当这个组中响应样本的比例比总体的响应比例小时为负数，相等时为0，大于时为正数。
• 我们可以把所有分组的WOE值的绝对值加起来，这个可以在一定程度上表示这个变量的预测能力，但是我们一般不会这么做，因为对于分组中的样本数量相差悬殊的场景，WOE值可能不能很好的表示出这个变量的预测能力，我们一般会用到另一个值：IV值。这个值在计算的时候，比WOE值多考虑了一层该变量下该分组占该变量下所有样本的比例。

IV

• IV值的计算公式是在WOE的基础上多乘了一个(py_i-pn_i)
  
• 把分组计算出来的所有IV值加起来，就是这个变量的IV值，然后把所有变量的IV值都算出来，就可以根据IV值的大小来看出变量的预测能力。

分箱

• 数据分箱（也称为离散分箱或分段）是一种数据预处理技术，用于减少次要观察误差的影响，是一种将多个连续值分组为较少数量的“分箱”的方法。说白了就是将连续型特征进行离散化。
• 例如，如果我们有一组关于人年龄的数据，我们可以设置一些条件将他们的年龄分组到更少的间隔中。
  • 对连续性特征进行离散化
    
• 注意：
  • 分箱的数据比一定必须是数字，它们可以是任意类型的值，如“狗”，“猫”，“仓鼠”等。分箱也用于图像处理，通过将相邻像素组合成单个像素，它可用于减少数据量。
• 分箱的作用和意义
  • 离散特征的增加和减少都很容易，易于模型的快速迭代，提升计算速度。
  • 特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。
  • 特征离散化以后，起到了简化了模型的作用，可以适当降低了模型过拟合的风险。
• pandas实现数据的分箱：pd.cut()
  
  
• 注意：我们对特征进行分箱后，需要对分箱后的每组（箱）进行woe编码，然后才能放进模型训练。
  
• 进行WOE编码其实就是上面的分组结果给个组号标识。
  
  

样本类别分布不均衡处理

• 什么是样本类别分布不均衡？
  • 举例说明，在一组样本中不同类别的样本量差异非常大，比如拥有1000条数据样本的数据集中，有一类样本的分类只占有10条，此时属于严重的数据样本分布不均衡。
• 样本类别分布不均衡导致的危害：
  • 样本类别不均衡将导致样本量少的分类所包含的特征过少，并很难从中提取规律；即使得到分类模型，也容易产生过度依赖与有限的数据样本而导致过拟合问题，当模型应用到新的数据上时，模型的准确性会很差。
• 解决方法：
  • 通过过抽样和欠抽样解决样本不均衡
  • 过抽样（over-sampling）【就是插值】：
    • from imblearn.over_sampling import SMOTE
    • 通过增加分类中少数类样本的数量来实现样本均衡，比较好的方法有SMOTE算法。
    • SMOTE算法原理介绍：
      • 简单来说smote算法的思想是合成新的少数类样本，合成的策略是对每个少数类样本a，从它的最近邻中随机选一个样本b，然后在a、b之间的连线上随机选一点作为新合成的少数类样本。
    • 环境安装：pip install imblearn
      
      
  • 欠抽样（under-sampling）【多余数据不要】：
    • 通过减少分类中多数类样本的数量来实现样本均衡
    • from imblearn.under_sampling import RandomUnderSampler