本文主要是介绍迹象权数WOE、信息值IV、kS值、GINI系数，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
WOE和IV使用来衡量变量的预测能力，值越大，表示此变量的预测能力越强。
WOE=ln(累计正样本占比/累计坏样本占比)
IV=（累计正样本占比-累计坏样本占比）*WOE
| 信息值(IV) | 预测能力 |
| <0.03 | 无预测能力 |
| 0.03~0.09 | 低 |
| 0.1~0.29 | 中 |
| 0.3~0.49 | 高 |
| 0.5~ | 极高 |
KS和GINI系数用来衡量数据对好坏样本的区分能力
KS 值，累计客户分布百分比，由小到大排列，两者之间的最大差距值即为KS值，其值越大表示模型的区分能力越强。
| K-S值 | 解释能力 |
| <0.20 | No |
| 0.21 ~0.40 | 低 |
| 0.41~0.50 | 中 |
| 0.51~0.60 | 高 |
| 0.61~0.75 | 极高 |
| >0.9 | 太高，可能有问题 |
GINI系数
分别以纵轴及横轴表示分数由高至低及好坏客户的累积百分比，用以显示各分数下好坏客户的累积差异。
| 基尼系数 | 解释能力 |
| 0 | NO |
| 0~0.4 | 低 |
| 0.4~0.6 | 中 |
| 0.6~0.8 | 高 |
| >0.8 | 极高 |
这篇关于迹象权数WOE、信息值IV、kS值、GINI系数的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
