> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-vortex-format.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

> Рассчитывает значение `(P(tag = 1) - P(tag = 0))(log(P(tag = 1)) - log(P(tag = 0)))` для каждой категории.

# categoricalInformationValue

<div id="categoricalInformationValue">
  ## categoricalInformationValue
</div>

Добавленный в: v20.1.0

Вычисляет информационную ценность (IV) для категориальных признаков относительно бинарной целевой переменной.

Для каждой категории функция вычисляет: `(P(tag = 1) - P(tag = 0)) × (log(P(tag = 1)) - log(P(tag = 0)))`

где:

* P(tag = 1) — вероятность того, что целевая переменная равна 1 для данной категории
* P(tag = 0) — вероятность того, что целевая переменная равна 0 для данной категории

Information Value — это статистический показатель, используемый для оценки силы связи категориального признака с бинарной целевой переменной в прогнозном моделировании.
Чем выше абсолютное значение, тем сильнее предсказательная способность.

Результат показывает, насколько каждый дискретный (категориальный) признак `[category1, category2, ...]` влияет на модель обучения, предсказывающую значение `tag`.

**Синтаксис**

```sql theme={null}
categoricalInformationValue(category1[, category2, ...,]tag)
```

**Аргументы**

* `category1, category2, ...` — Один или несколько категориальных признаков для анализа. Каждая категория должна содержать дискретные значения. [`UInt8`](/ru/reference/data-types/int-uint)
* `tag` — Бинарная целевая переменная для прогнозирования. Должна содержать значения 0 и 1. [`UInt8`](/ru/reference/data-types/int-uint)

**Возвращаемое значение**

Возвращает массив значений Float64, представляющих информационную ценность для каждой уникальной комбинации категорий. Каждое значение показывает прогностическую силу соответствующей комбинации категорий для целевой переменной. [`Array(Float64)`](/ru/reference/data-types/array)

**Примеры**

**Базовое использование: анализ возрастных групп и использования мобильных устройств**

```sql title=Query theme={null}
CREATE TABLE visits (is_young UInt8, is_female UInt8, is_mobile UInt8) ENGINE = Memory;

-- 80 of the 100 young visitors browse on a mobile device, and only 20 of the 100 older ones do,
-- while the sex of a visitor says nothing about the device.
INSERT INTO visits SELECT 1, number % 2, number < 80 FROM numbers(100);
INSERT INTO visits SELECT 0, number % 2, number < 20 FROM numbers(100);

SELECT round(categoricalInformationValue(is_young, is_mobile)[1], 4) AS iv FROM visits;
```

```response title=Response theme={null}
┌─────iv─┐
│ 0.8318 │
└────────┘
```

**Несколько категориальных признаков с демографическими характеристиками пользователей**

```sql title=Query theme={null}
-- The age of a visitor predicts the device, the sex of a visitor does not.
SELECT arrayMap(x -> round(x, 4), categoricalInformationValue(is_young, is_female, is_mobile)) AS iv
FROM visits;
```

```response title=Response theme={null}
┌─iv─────────┐
│ [0.8318,0] │
└────────────┘
```