分箱效果评估:IV值和卡方

1.IV值(信息价值):分箱后变量的预测能力

IV值计算过程:

1.计算每个分箱的WOE(证据权重)

2.WOE和分箱的样本占比计算IV

image

image

image

2.卡方值(Chi-Square):衡量分箱的“统计显著性”​

卡方分箱(风控建模) 范围 取值范围:[0, +∞) 合并相邻分箱时,卡方值越小说明分布越相似,需迭代合并至阈值以下。

逻辑回归:保留高卡方,强业务特征

黑盒XGBoost,特征重要性大于卡方值

卡方检验判断 分箱后的目标变量

卡方值越大,分箱后变量和目标变量关联性越强

image