如果我們直接看每個年齡的散佈圖，雖然隱約可以看出「年輕人紅點（違約）比較多，老年人綠點（正常）比較多」，但對邏輯迴歸模型來說，這種數值連續且充滿雜訊的資料，很難直接拿來給出穩定的評分。
| 概念 | 意思 | 用途 |
|---|---|---|
| 分箱 Binning | 把連續值切成區間 | 穩定、抗離群、可解釋 |
| WoE | ln(好客佔比／壞客佔比) | 把類別／箱轉成單調數值 |
| IV | 各箱貢獻加總 | 衡量特徵預測力 |
| IV 判讀 | <0.02 無用、0.1~0.3 中等、>0.5 極強(疑洩漏) | 特徵篩選 |
WoE 與 IV 是信用風控建模的經典特徵工具,iPAS 中級科目二考點。重點:WoE(證據權重)把分箱後特徵依好壞樣本比例轉成對數值、與目標單調相關;IV(資訊值)彙總衡量特徵對二元目標的整體預測力。易混點:IV 經驗上 小於 0.02 幾乎無用、0.1 到 0.3 中等、大於 0.5 反而要懷疑資料洩漏;WoE 編碼讓邏輯迴歸更穩、可解釋。情境:信用評分卡、流失與詐欺的特徵篩選。
想練情境題與詳解 → AI 學習與考證地圖
證據權重(Weight of Evidence)；把類別或分箱後的特徵，依好壞樣本比例轉成對數值，常用於信用評分等風控建模。
資訊值(Information Value)；彙總各分箱的 WoE 與佔比，衡量一個特徵對二元目標(如違約與否)的整體預測力。
經驗上 IV 小於 0.02 幾乎無用、0.1 到 0.3 中等、0.3 到 0.5 強；過高(如大於 0.5)反而要懷疑資料洩漏。
把特徵轉成與目標單調相關的數值、處理類別與缺失、降低離群影響，讓邏輯迴歸更穩定、可解釋。
信用評分卡、流失與詐欺等二元分類的特徵工程與篩選；WoE 編碼加 IV 篩變數，是金融風控建模的經典工具。