DataScience：机器学习中特征工程之WOE编码(离散变量编码/有监督)的简介、计算过程、案例应用之详细攻略 (1)、什么是WOE编码 (2)、案例理解WOE编码 (3)、WOE编码技术的深度思考 (4)、为什么选择采用WOE编码？ (5)、WOE编码的优势 WOE编码—离散变量编码(有监督性的编码) 在建模前，我们需要把原始的值转化成WOE值才能使得模型效果好。 提出问题 怎样对字段的每个分段进行评分呢？这个评分是怎么来的？ 解决方案 WOE编码， 将预测概率值转化为评分， 利用变量相关性分析和变量的系数符号保证每个分箱评分的合理性。 分箱之后我们便得到了一系列的离散变量，下面需要对变量进行编码，将离散变量转化为连续变量。WOE编码是评分卡模型常用的编码方式。

记分卡捆绑 高级记分卡建模API评分卡建模尽在于此 文档页面|文档页面： : 自述文件 介绍 Scorecard-Bundle是一个高级Scorecard建模API ，它易于使用且与Scikit-Learn保持一致。 它涵盖了训练计分卡模型的主要步骤，例如使用ChiMerge进行特征离散化，WOE编码，具有信息值和共线性的特征评估，基于Logistic回归的计分卡模型以及针对二元分类任务的模型评估。 Scorecard-Bundle中的所有变换器和模型类均符合Scikit-Learn的fit-transform-predict约定。 一个完整的示例，展示了如何使用记分卡捆绑包构建记分卡：示例笔记本 在https://scorecard-bundle.bubu.blue/中查看详细且对读者更友好的文档 在记分卡捆绑软件中，基于Mamdouh Refaat的书“信用风险记分卡：使用SA

R语言的WOE和IV批量计算实现，运行代码后根据注释中的参数描述调用函数即可

今天小编就为大家分享一篇python自动分箱,计算woe,iv的实例代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧