一句话定义:信息值(Information Value,IV)是把一个特征切成分档之后,用单个数字衡量它究竟能把二分类目标里的“好人”和“坏人”分开多少。
怎么算出来的
先做分箱(binning):比如把年龄切成 20–30、30–40、40–50…,把“近三个月查询次数”切成 0 次、1–2 次、3–5 次、6 次以上。然后对每一档统计两个比例:这档里好人占全体好人的比例,以及坏人占全体坏人的比例,两者相除取对数,就是 WOE(Weight of Evidence,证据权重)。每一档对 IV 的贡献是“两个比例之差 × WOE”,所有档的贡献加起来就是 IV。
直觉上:如果某一档里坏人扎堆、好人的比例明显低于预期,这一档就“很能说明问题”,贡献大;如果每一档的好人占比和坏人占比都差不多,说明这个特征对两类人没有区分力,IV 接近 0。因为每档贡献的两项符号总是相同,所以相加之后不会互相抵消,IV 永远是非负数。
(不同资料里 WOE 的分子分母可能对调,得到的 WOE 正负号相反,但 IV 的数值不变。)
打个比方:你要用一张筛子把一堆红豆和绿豆分开。IV 衡量的不是“两种豆子平均大小差多少”,而是“每一层筛孔上,红豆绿豆的落下去比例差多少,再乘上这一层豆子的数量占比”。中间某一层可能红绿豆比例差得离谱,即使整体平均值看起来差不多,IV 也能把这一层抓出来。这正是它比“感觉相关”靠谱的地方:相关系数只看线性、只看均值,而 IV 分箱后能识别“两头正常、中间一段风险特别高”这种形状。
和相邻概念的区别
| 指标 | 回答的问题 | 局限 |
|---|---|---|
| WOE | 某一档是偏“好”还是偏“坏”,偏多少 | 带正负号,不能直接跨特征比较 |
| 相关系数 | 两者是否线性同增同减 | 抓不到非线性和分档效应,要求数值型 |
| 卡方检验 | 这个特征和目标有没有关系 | 只给显著性,不给强度;样本一大,微小差异也会“显著” |
| 互信息 | 两个变量共享多少信息 | 单位是比特,刻度不直观,同样依赖分箱 |
| AUC / KS | 整个模型排序好不好 | 模型级指标,不是单个特征的 |
对实际工作的意义
做风控评分卡、流失预测、医疗风险模型时,特征动辄几百上千个,IV 是最省事的初筛手段:几分钟排个序,就知道该重点看哪十几个。使用时有几点要克制:
1. IV 强依赖分箱方式,档数越多 IV 往往越高。跨特征比较时必须用同一套分箱规则。
2. IV 不带方向。看到高 IV 还得回头看 WOE 的正负,否则会把“年龄越大风险越高”理解反。
3. 那些“小于 0.02 基本没用、0.1 到 0.5 比较有用、大于 0.5 要警惕”的说法只是行业经验刻度,不同数据集不能硬套,以自己业务的验证结果为准。
4. IV 高得离谱通常不是好消息,常见原因是信息泄露:用了放款之后才知道的字段(比如催收记录),模型上线就会崩。同理,只在训练集上算 IV 会偏乐观,最好在时间外样本上复核一遍。
5. 它只适用于二分类目标;多分类要么对每一类分别算,要么换别的度量。
一句话收尾:IV 不能替你做决定,但能让你在几百个特征里先知道该看哪几个。
