1 IV的用途
IV的全稱是Information Value，中文意思是信息價值，或者信息量。
我們在用邏輯迴歸、決策樹等模型方法構建分類模型時，經常需要對自變量進行篩選。比如我們有200個候選自變量，通常情況下，不會直接把200個變量直接放到模型中去進行擬合訓練，而是會用一些方法，從這200個自變量中挑選一些出來，放進模型，形成入模變量列表。那麼我們怎麼去挑選入模變量呢？
挑選入模變量過程是個比較複雜的過程，需要考慮的因素很多，比如：變量的預測能力，變量之間的相關性，變量的簡單性（容易生成和使用），變量的強壯性（不容易被繞過），變量在業務上的可解釋性（被挑戰時可以解釋的通）等等。但是，其中最主要和最直接的衡量標準是變量的預測能力。
“變量的預測能力”這個說法很籠統，很主觀，非量化，在篩選變量的時候我們總不能說：“我覺得這個變量預測能力很強，所以他要進入模型”吧？我們需要一些具體的量化指標來衡量每自變量的預測能力，並根據這些量化指標的大小，來確定哪些變量進入模型。IV就是這樣一種指標，他可以用來衡量自變量的預測能力。類似的指標還有信息增益、基尼係數等等。
2 對IV的直觀理解
從直觀邏輯上大體可以這樣理解“用IV去衡量變量預測能力”這件事情：我們假設在一個分類問題中，目標變量的類別有兩類：Y1，Y2。對於一個待預測的個體A，要判斷A屬於Y1還是Y2，我們是需要一定的信息的，假設這個信息總量是I，而這些所需要的信息，就蘊含在所有的自變量C1，C2，C3，……，Cn中，那麼，對於其中的一個變量Ci來說，其蘊含的信息越多，那麼它對於判斷A屬於Y1還是Y2的貢獻就越大，Ci的信息價值就越大，Ci的IV就越大，它就越應該進入到入模變量列表中。
3 IV的計算
前面我們從感性角度和邏輯層面對IV進行了解釋和描述，那麼回到數學層面，對於一個待評估變量，他的IV值究竟如何計算呢？爲了介紹IV的計算方法，我們首先需要認識和理解另一個概念——WOE，因爲IV的計算是以WOE爲基礎的。
3.1 WOE
WOE的全稱是“Weight of Evidence”，即證據權重。WOE是對原始自變量的一種編碼形式。
要對一個變量進行WOE編碼，需要首先把這個變量進行分組處理（也叫離散化、分箱等等，說的都是一個意思）。分組後，對於第i組，WOE的計算公式如下：
WOE (weight of Evidence) 字面意思證據權重，對分箱後的每組進行計算。假設 good 爲好客戶（未 違約），bad 爲壞客戶（違約）。
#goodi 表示每組中標籤爲 good 的數量，#goodT 爲 good 的總數量，bad 同理。
3.2 IV
IV (information value) 衡量的是某一個變量的信息量，公式如下：
N 爲分組的組數，IV 可用來表示一個變量的預測能力。
| IV | 預測能力 |
| <0.03 | 無預測能力 |
| 0.03-0.09 | 低 |
| 0.1-0.29 | 中 |
| 0.3-0.49 | 高 |
| >=0.5 | 極高且可疑 |
可根據 IV 值來調整分箱結構並重新計算 WOE 和 IV。但並不完全是 IV 值越大越好，還需要考慮 分組數量合適，並且當 IV 值大於 0.5 時，我們需要對這個特徵打個疑問，因爲它過於太好而顯得不夠 真實。通常我們會選擇 IV 值在 0.1~0.5 這個範圍的特徵。多數時候分箱都需要手動做一些調整。