KS值和AUC值的关系

最新推荐文章于 2025-06-28 23:19:29 发布
最新推荐文章于 2025-06-28 23:19:29 发布
阅读量5.5k 收藏 10
点赞数 2
分类专栏： 金融信贷风控的机器学习实战 信贷风控---评分卡 文章标签： KS值 AUC值 KS值和AUC值的关系 KS值取多少合适 ROC取什么值合适
本文详细解析了KS值和AUC值的概念及其在模型评估中的应用。通过对比ROC曲线和KS曲线，阐述了两者在衡量模型预测准确性上的区别与联系。指出KS值适合用于评分卡模型的cut_off点选择，而AUC值则能更全面地反映模型的整体预测效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

KS值和AUC值的关系

要弄明白ks值和auc值的关系首先要弄懂roc曲线和ks曲线是怎么画出来的。其实从某个角度上来讲ROC曲线和KS曲线是一回事，只是横纵坐标的取法不同而已。拿逻辑回归举例，模型训练完成之后每个样本都会得到一个类概率值（注意是类似的类），把样本按这个类概率值排序后分成10等份，每一份单独计算它的真正率和假正率，然后计算累计概率值，用真正率和假正率的累计做为坐标画出来的就是ROC曲线，用10等分做为横坐标，用真正率和假正率的累计值分别做为纵坐标就得到两个曲线，这就是KS曲线。AUC值就是ROC曲线下放的面积值，而ks值就是ks曲线中两条曲线之间的最大间隔距离。由于ks值能找出模型中差异最大的一个分段，因此适合用于cut_off，像评分卡这种就很适合用ks值来评估。但是ks值只能反映出哪个分段是区分最大的，而不能总体反映出所有分段的效果，因果AUC值更能胜任。

ROC值一般在0.5-1.0之间。值越大表示模型判断准确性越高，即越接近1越好。ROC=0.5表示模型的预测能力与随机结果没有差别。
KS值表示了模型将+和-区分开来的能力。值越大，模型的预测准确性越好。一般，KS>0.2即可认为模型有比较好的预测准确性。

 

转载自

https://blog.youkuaiyun.com/u010159842/article/details/79412868

【模型指标】ks,gini值，auc的关系
changzoe的博客
11-06 1614
做风控也很久了，一直没有整理ks,gini,auc的关系，下边简单谈一下自己的理解，立下flag,以后每两天更新一篇，谈谈自己对指数的理解。 先说一下ks ks值和ks曲线： 将所有样本根据分数值从低到高排序（即坏账率从高到低）均分成10组，分别计算这10组的实际好样本数、坏样本数、累积好样本数、累积坏样本数、累积好样本数占比、累积坏样本数占比，差值。其中实际好坏样本数分别为该组内的好坏样本数，累...
python计算ks值 代码_风控领域常用评估指标：ROC/AUC、KS、Gain、Lift等
weixin_42500477的博客
01-30 4313
混淆矩阵KS曲线与ROC曲线KS曲线KS检验：比较频率分布\(f(x)\)与理论分布\(g(x)\)或两个观测值分布的是否一致检验方法，原假设两个数据分布一致或数据符合理论分布，统计量\(D=max|f(x)-g(x)|\)KS值计算步骤：对变量进行分箱binning，可以选择等频、等距或自定义距离；计算每个分箱区间的好账户数Goods与坏账户数Bads；计算每个分箱区间: (累计好账户数/总好账...
KS_AUC的详解
02-08
计算KS 和AUC 过程；柯尔莫可洛夫-斯米洛夫检验（Kolmogorov–Smirnov test，K-S test）
AUC，KS,ROC
weixin_30394981的博客
04-18 1302
要弄明白ks值和auc值的关系首先要弄懂roc曲线和ks曲线是怎么画出来的。其实从某个角度上来讲ROC曲线和KS曲线是一回事，只是横纵坐标的取法不同而已。拿逻辑回归举例，模型训练完成之后每个样本都会得到一个类概率值（注意是类似的类），把样本按这个类概率值排序后分成10等份，每一份单独计算它的真正率和假正率，然后计算累计概率值，用真正率和假正率的累计做为坐标画出来的就是ROC曲线，用10等分做为横坐...
KS值：风控模型的“风险照妖镜”
拒绝AI玄学，只聊真技术▲
06-28 1124
数学定义KS值定义为好坏客户累积分布曲线（CDF）的最大垂直距离KSmax⁡s∣CDFGoods−CDFBads∣KSsmax​∣CDFGood​s−CDFBad​s∣sss：模型评分（分数越高表示风险越低）CDFGoodsCDFGood​s：好客户（如正常还款者）中评分≤sss的比例CDFBadsCDFBad​s：坏客户（如违约者）中评分≤sss的比例。
KS和AUC解释
sinat_37333675的博客
08-07 3744
1.遇到KS=0.32，AUC=0.54问题：KS值只能反映出哪个分段是区分度最大的，不能反映出所有分段的效果。 2.输出预测值在[0.002,0.04]之间，KS阈值切分问题和KS横坐标表示含义。 其中最常用的是TPR和FPR。最理想的模型，当然是TPR尽量高而FPR尽量低啦，然而任何模型在提高正确预测概率的同时，也会难以避免地增加误判率。听起来有点抽象，好在有ROC曲线非常形象地表达了二者之间的关系。 对于一个二分类模型，输出的最初结果是连续的；假设已经确定一个阀值，那么最初结果大于阀值时，则输出最终结
KS与AUC
dzysunshine的博客
07-24 3947
文章目录1. FPR和TPR2. KS曲线与KS值3. ROC曲线参考 1. FPR和TPR TPR表示正阳率，FPR表示假阳率。 2. KS曲线与KS值 KS曲线是用来衡量分类型模型准确度的工具。KS曲线与ROC曲线非常的类似。其指标的计算方法与混淆矩阵、ROC基本一致。它只是用另一种方式呈现分类模型的准确性。KS值是KS图中两条线之间最大的距离，其能反映出分类器的划分能力。 KS曲线是两条线...
【机器学习】模型评估指标AUC与KS差异
菜鸟笔迹
12-12 294
不同点:AUC反映了模型区分度平均状况,KS反映了模型区分度最佳状况。相同点:都从ROC曲线来的,都体现了对好坏用户的区分能力。
ks 曲线_ROC、KS曲线及AUC、KS值
weixin_34526348的博客
12-23 1323
上图中，我们最常用的就是TPR(True Positive Rate)和FPR(False Positive Rate):其中：TPR = TP/(TP+FN)即真实1中预测错的;FPR = FP/(FP+TN)即真实0中预测错的；Precision = TP/(TP+FP)即预测1中对的最理想的模型，是TPR尽量高而FPR尽量低，然而任何模型在提高正确预测概率的同时，也会难以避免地增加误判率。听...
风控模型评估指标：KS、ROC、AUC、PSI代码逻辑
weixin_44116269的博客
11-29 6426
上图中，我们最常用的就是TPR（True Positive Rate）和FPR（False Positive Rate）: 其中： TPR = TP/(TP+FN)即真实1中预测错的; FPR = FP/(FP+TN)即真实0中预测错的； Precision = TP/(TP+FP)即预测1中对的 最理想的模型，是TPR尽量高而FPR尽量低，然而任何模型在提高正确预测概率的同时，也会难以避免地增...
金融风控指标-vintage、迁移率、滚动率、入催率、FPD、DPD
光于前裕于后的博客
03-28 1万+
随着互联网金融的发展，对数据分析的需求越来越大。数据分析的目的其实是为了找到风险和收益的平衡点。高收益伴随着高风险，而低风险的回报又如同鸡肋。所以，太高的风险，太低的收益都不行。平衡点通俗来讲就是风险在控制范围之中，收益也可以接受。为了找到平衡点，我们通常会计算许多风控指标，这些风控指标是什么意思，他们有什么作用，我们挑几个金融领域比较常用的指标说说。
小贷企业的逾期率分析
06-19
逾期率分析，主要通过拆分离职和在职员工对比分析，找到小贷企业降低逾期率的方法。
【学习记录】【风控】风控指标
M_Shirley的博客
10-08 2544
4.6. 滚动率：以某一时间点为观察节点，观察客户在该点前一段时间内（比如半年）最坏逾期阶段，并追踪其在观察点之后的一段时间向其他逾期阶段发展的情况，例如取今天的一批客户，统计过去半年内这些人的最大逾期阶段，然后追踪半年后的表现。4.5. 迁移率：处于某一逾期阶段的客户转到其他逾期阶段的变化情况，例如M2-M3，就是从逾期阶段M2转到逾期阶段M3的比例。1. 授信（申请量、进策略量、通过量、整体通过率、策略通过率、平均额度、7d动支率）4.4. 逾期阶段：根据逾期天数划分不同的逾期阶段，例如M0-M7+
风险资产常用指标
lc434699300的博客
12-02 5914
目录 1.放款本金与本金余额 2.迁徙率 3.Vintage 4.不良率 5.损失率 6.回收率 7.入催率 8.首逾率 1.放款本金与本金余额  　放款本金为每个月的放贷金额，本金余额为截止统计时点，所有未收回的本金金额，包括逾期未还本金与未到还款期限的待还本金，本金余额也可以叫作应收账款、剩余本金、在贷余额。 注意，这里所有计算的都是本金，是剔除利息的。 2.迁徙率  　简单说，就是处于某一逾...
信贷指标解读
qq_27866857的博客
03-03 478
首逾：量化评估欺诈风险 1、选取数据 若客户有多笔，则观测第一笔借据的第一期还款情况。 若第一天有多笔借据，则第一次借款当天所有的借据都共同代表客户的行为。 2、首逾判断 对于有多笔借据代表客户行为的客户，有任意一笔正常还款都不算首逾客户，因为如果是欺诈客户，每笔都不会还。 3、首逾计算 整体首逾率=首逾借据数/当前时点借据总数 到期首逾率=首逾借据数/当前时点到了首期还款日（已有表现） ...
【采用】【风险管理】（第一篇）风险管理核心指标
xiaoxiaoniaoer1的专栏
12-30 786
【风险管理】（第二篇）风险管理分析及预测方法：https://blog.youkuaiyun.com/sunyaowu315/article/details/101193377 【风险管理】（第三篇）风险管理报表体系：https://blog.youkuaiyun.com/sunyaowu315/article/details/101192212 MIS风险信息管理系统 1.核心指标   消费金融产品繁多，客户形形色色...
从风控中那些被标准化定义的问题谈起
weixin_45545159的博客
12-20 2064
从风控中那些被标准化定义的问题谈起
第16篇：风控学习笔记-逾期指标、三方数据测试、客群画像
weixin_53415236的博客
03-20 632
假如线上运行的策略是有效的，那么通过客群和拒绝客群的某些指标应该是有差异的，若差异比较明显说明该维度的指标对风控的帮助比较大，可进一步进行变量挖掘及后续的分析使用，如果无差异，大概率这些指标对风控帮助不大，可少花点精力进行分析。3.我们所处的时代，面对的客群是在不断变化的，早期积累的先验知识在之前的场景下可能是对的，但是在当下有可能是错的。我觉得如果发现了某些效果好但是业务上很难解释的指标，可以用ABTest的方法对指标进行校验，如果最终结果是好的，是可以方向使用的，毕竟我们最终看的是结果。
vintage、迁移率、滚动率、入催率、FPD概念
热门推荐
寸草心的博客
05-17 2万+
  随着互联网金融的发展，对数据分析的需求越来越大。数据分析的目的其实是为了找到风险和收益的平衡点。高收益伴随着高风险，而低风险的回报又如同鸡肋。所以，太高的风险，太低的收益都不行。平衡点通俗来讲就是风险在控制范围之中，收益也可以接受。为了找到平衡点，我们通常会计算许多风控指标，这些风控指标是什么意思，他们有什么作用，我们挑几个金融领域比较常用的指标说说。 1、vintage   vintage这...
除了KS值，贷后模型还有哪些关键评估指标？
最新发布
08-12
<think>我们正在处理用户意图：了解贷后模型的其他关键评估指标 用户问题：贷后模型除了KS值外还有哪些重要的评估指标 根据任务要求，我们需要： 1. 进行网络搜索（模拟） 2. 整合检索内容生成详细清晰的回答，组织为多个方法或步骤（每个步骤间换行） 3. 避免第一人称和步骤词汇 4. 如果有公式或代码，按照要求格式 5. 最后添加相关问题部分（至少3个） 模拟搜索：贷后模型评估指标、贷后模型常用指标、贷后模型KS替代指标、贷后模型评估方法等。 根据专业知识，贷后模型（如催收评分卡、资产分类模型等）常用的评估指标除了KS值外，还包括： 1. AUC（ROC曲线下面积） 2. Gini系数 3. PSI（群体稳定性指标） 4. 召回率（Recall）/查全率 5. 精确率（Precision） 6. F1-Score（精确率和召回率的调和平均） 7. 坏账覆盖率（Bad Capture Rate） 8. 误伤率（False Positive Rate） 9. 提升度（Lift） 另外，业务指标如回收率、滚动率等也可能被关注。 我们将整合这些指标，并按照要求组织答案。 注意：由于要求避免步骤词汇，我们将直接列出指标并解释，每个指标作为一点，换行分隔。 公式部分：需要按照格式。例如： 召回率公式：$Recall = \frac{TP}{TP+FN}$ 精确率公式：$Precision = \frac{TP}{TP+FP}$ F1-Score公式：$F1 = \frac{2 \times Precision \times Recall}{Precision + Recall}$ Gini系数与AUC的关系：$Gini = 2 \times AUC - 1$ 但注意：不要一次性把所有公式都堆砌，而是选择关键指标解释。 由于用户问题只要求“有哪些”，所以我们重点介绍指标名称和简要说明，必要时给出公式。 回答结构： 贷后模型除KS值外，还有多个关键评估指标，这些指标从不同维度评估模型性能： 1. **AUC（ROC曲线下面积）**：衡量模型整体区分能力的指标，值域[0.5,1]，越接近1区分能力越强。AUC与KS同属模型区分度指标，但AUC对样本不平衡不敏感，常作为KS的补充。 2. **Gini系数**：与AUC直接相关，计算公式为$Gini=2 \times AUC - 1$，用于衡量模型对好坏客户的区分能力，值域[0,1]。金融领域通常要求Gini系数高于0.3。 3. **召回率（Recall）**：在贷后催收场景中，召回率指模型捕捉到的真实坏客户占总体坏客户的比例，公式为$Recall = \frac{TP}{TP+FN}$。高召回率意味着较少漏掉坏客户，但可能误伤好客户。 4. **精确率（Precision）**：指模型判为坏客户的样本中实际为坏客户的比例，公式为$Precision = \frac{TP}{TP+FP}$。高精确率意味着催收资源更精准投放。 5. **F1-Score**：召回率与精确率的调和平均数，公式为$F1 = \frac{2 \times Precision \times Recall}{Precision + Recall}$，用于平衡精确率和召回率。 6. **提升度（Lift）**：衡量模型在特定分位数上的预测能力与随机选择的对比。例如Top10%客户的坏账率是总体坏账率的3倍，则提升度为3。 7. **群体稳定性指数（PSI）**：监控模型在不同时间段的稳定性，计算公式为： $$PSI = \sum_{i=1}^{n} (实际占比_i - 预期占比_i) \times \ln(\frac{实际占比_i}{预期占比_i})$$ PSI<0.1表示模型稳定，0.1-0.25需警惕，>0.25则模型发生显著偏移。 8. **坏账覆盖率（Bad Capture Rate）**：在按评分排序后，从高风险到低风险累计坏账占总体坏账的比例，是贷后模型的核心业务指标。 9. **误伤率（False Positive Rate）**：好客户被错误判定为坏客户的比例，公式为$FPR = \frac{FP}{FP+TN}$，影响客户体验和回收率。 此外，业务运营指标如**回收率（Recovery Rate）**、**滚动率（Roll Rate）**等也用于间接评估模型效果，但非模型本身的评估指标。 注意：在贷后场景中，需根据业务目标选择指标组合。例如催收模型优先关注召回率（减少坏账损失），而资产分类模型可能更关注精确率（避免过度催收）。 最后，按照要求添加相关问题部分。 注意：相关问题必须基于原始问题和回答内容，至少3个。 可能的衍生问题： 1. 贷后模型中AUC和KS值哪个更重要？ 2. 如何提升贷后模型的召回率？ 3. 贷后模型PSI指标超过0.25该如何处理？ 4. 坏账覆盖率的合理范围是多少？ 5. 贷后模型评估指标如何与业务目标对齐？ 我们选择其中3个。 严格按照格式： §§相关问题§§: 1. 贷后模型中AUC和KS值哪个更能反映模型性能？ 2. 如何优化贷后模型以提升坏账覆盖率？ 3. 群体稳定性指数（PSI）在贷后模型监控中的具体应用方法是什么？</think>贷后模型除KS值外，以下关键评估指标对模型性能监测和业务决策至关重要： ### 一、模型区分度指标 **AUC（ROC曲线下面积）** 衡量模型整体排序能力，值域$[0.5,1]$。计算公式为： $$AUC = \frac{\sum_{i \in positive} rank_i - \frac{N_p(N_p+1)}{2}}{N_p \times N_n}$$ 其中$N_p$为正例数，$N_n$为负例数。贷后场景要求AUC>0.7，低于0.65需重新优化特征。 **Gini系数** 与AUC直接相关：$Gini = 2 \times AUC - 1$。金融领域通常要求Gini>0.3，反映好坏客户分离程度。 **提升度（Lift）** 评估模型在头部客群的预测效率，计算Top$K$分位数的坏账捕获率与随机选择的比率。例如： ```python # 计算Top20%分位数的提升度 bad_rate_top20 = 0.45 # Top20%样本的坏账率 overall_bad_rate = 0.15 # 整体坏账率 lift = bad_rate_top20 / overall_bad_rate # 提升度=3.0 ``` 提升度>2.5表明模型有效，<1.5则失效。 ### 二、分类准确性指标 **召回率（Recall）** 催收场景核心指标，公式：$Recall = \frac{TP}{TP+FN}$。贷后模型通常要求Recall@Top30%>65%，即前30%高分客户需覆盖65%以上真实坏账。 **精确率（Precision）** 减少误伤可回收客户：$Precision = \frac{TP}{TP+FP}$。贷后场景需平衡Precision和Recall，建议F1-Score>0.6： $$F1 = \frac{2 \times Precision \times Recall}{Precision + Recall}$$ **误伤率（False Positive Rate）** 公式：$FPR = \frac{FP}{FP+TN}$。超过25%可能导致可回收客户流失，增加资金损失。 ### 三、业务效果指标 **坏账覆盖率（Bad Capture Rate）** 按评分排序后，累计坏账占总体坏账比例。例如Top10%客户需覆盖40%以上坏账，Top30%覆盖80%以上。 **回收金额提升率** 对比模型策略与随机策略的回收金额差异： $$\Delta Recovery = \frac{\text{模型策略回收额} - \text{基准策略回收额}}{\text{基准策略回收额}}$$ 行业要求>15%才具业务价值。 ### 四、稳定性指标 **群体稳定性指数（PSI）** 监控特征分布随时间偏移： $$PSI = \sum_{i=1}^{n} (实际占比_i - 预期占比_i) \times \ln(\frac{实际占比_i}{预期占比_i})$$ PSI<0.1为稳定，>0.25需重新校准模型。 **特征稳定性分析** 关键变量（如逾期天数、还款率）的跨期波动需<10%，否则影响模型泛化能力。 > **指标应用示例**：某银行贷后模型通过F1-Score（0.68）和PSI（0.08）锁定高价值催收名单，使回收率提升18%，同时误伤率降低至22%。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值