[发明专利]基于最大化IV的数据分组方法、装置、储存介质及设备

说明书

本发明涉及数据分析技术领域，公开了一种基于最大化IV的数据分组方法、装置、储存介质及设备，该方法包括步骤S1：将若干个样本数据分别按指定变量的每一变量值为界分成两组，保证每组样本数大于等于预定值，对于以不同变量值分成的两组的情况计算每组对应的IV值：IV₁和IV₂，取满足max(IV₁+IV₂)＞IV₀条件的分组及其对应的变量值为临界点；S2：对于按临界点分成的两组的每一组分别返回执行S1，直到分组后其中一组中的样本数小于预定值或不满足max(IV₁+IV₂)＞IV₀条件，停止执行S1，得到多个临界点；S3：以多个临界点为界进行分组，并以该分组作为信用评分卡建模的分组。本发明的方法中，在保证计算量相对小的情况下，得到IV值尽可能大的分组，提高了评分卡模型的预测准确度。

技术领域

本发明涉及数据分析技术领域，特别涉及一种基于最大化IV的数据分组方法、装置、储存介质及设备。

背景技术

信用评分卡模型在信用风险评估以及金融风险控制领域具有比较广泛的应用，其中包括：数据清洗、分组、筛选并重新分组、相关性分析、建模及输出评价模型的图表。在分组过程中通常用信息价值(Information value，IV)的指标来反映某一变量对逾期率(或者违约率)的影响有多大，IV值越大，说明对逾期率(或者违约率)的影响越大，IV值越大的变量即为建模越需要的变量，通过按某一变量对样本数据进行分组找到越大的IV，这样建立的评分卡模型对客户的信用预测越准确。通常IV值是根据证据权重(Weightof Evidence，WOE)计算得到。

目前，按某一变量对样本数据进行分组的方式通常为等宽(划分间距一样，比如年龄变量，每5岁划分为一组)或等高(每组样本数相等)的方式，这样分组后计算的IV并不是最大化的IV(得到尽可能大的IV)，利用这样的分组方式建立的评分卡模型的预测准确度不高，从而导致对客户的信用判断不准确。

发明内容

本发明提出一种基于最大化IV的数据分组方法、装置、储存介质及设备，解决现有技术中对变量分组无法使得IV最大化的问题。

本发明的一种基于最大化信息价值IV的数据分组方法，对于变量值连续的变量按二分法计算每次分组的IV值，包括：

步骤S1：将若干个样本数据分别按指定变量的每一变量值为界分成两组，保证每组样本数大于等于预定值，对于以不同变量值分成的两组的情况计算每组对应的IV值：IV₁和IV₂，取满足max(IV₁+IV₂)＞IV₀条件的分组及其对应的变量值为临界点，其中，IV₀为上一次二分时两组作为一组时得到的IV值，IV₀的初始值为计算机允许的最小负数；

步骤S2：对于按所述临界点分成的两组的每一组分别返回执行步骤S1，直到分组后其中一组中的样本数小于所述预定值或不满足max(IV₁+IV₂)＞IV₀条件，停止执行步骤S1，此时得到多个临界点；

步骤S3：以多个临界点为界进行分组，并以该分组作为信用评分卡建模的分组。

其中，所述步骤S1之前，所述方法还包括：

在所述变量的变量值范围内，若两端的两段区域内的样本数小于所述预定值，则不对该区域内的样本数据进行分组。

其中，所述步骤S1之前，所述方法还包括：

将所述变量的取值范围划分成若干连续的区段，每一区段样本数不少于所述预定值，分组时只对变量值区段分段点的变量值对应的样本数据进行分组。