KS值和GINI系数

最新推荐文章于 2024-08-15 14:40:15 发布
转载 最新推荐文章于 2024-08-15 14:40:15 发布 · 6.4k 阅读 · 12

部署运行你感兴趣的模型镜像

有效性指标中的区分能力指标：

KS(Kolmogorov-Smirnov)：KS用于模型风险区分能力进行评估， 
指标衡量的是好坏样本累计分部之间的差值。 
好坏样本累计差异越大，KS指标越大，那么模型的风险区分能力越强。

KS的计算步骤如下： 
1. 计算每个评分区间的好坏账户数。 
2. 计算每个评分区间的累计好账户数占总好账户数比率(good%)和累计坏账户数占总坏账户数比率(bad%)。 
3. 计算每个评分区间累计坏账户占比与累计好账户占比差的绝对值（累计good%-累计bad%），然后对这些绝对值取最大值即得此评分卡的K-S值。

è¿éåå¾çæè¿°

·GINI系数:也是用于模型风险区分能力进行评估。 
GINI统计值衡量坏账户数在好账户数上的的累积分布与随机分布曲线之间的面积，好账户与坏账户分布之间的差异越大，GINI指标越高，表明模型的风险区分能力越强。

GINI系数的计算步骤如下： 
1. 计算每个评分区间的好坏账户数。 
2. 计算每个评分区间的累计好账户数占总好账户数比率（累计good%）和累计坏账户数占总坏账户数比率(累计bad%)。 
3. 按照累计好账户占比和累计坏账户占比得出下图所示曲线ADC。 
4. 计算出图中阴影部分面积，阴影面积占直角三角形ABC面积的百分比，即为GINI系数。

è¿éåå¾çæè¿°

您可能感兴趣的与本文相关的镜像

AutoGPT

AutoGPT

AI应用

AutoGPT于2023年3月30日由游戏公司Significant Gravitas Ltd.的创始人Toran Bruce Richards发布,AutoGPT是一个AI agent（智能体），也是开源的应用程序，结合了GPT-4和GPT-3.5技术，给定自然语言的目标，它将尝试通过将其分解成子任务，并在自动循环中使用互联网和其他工具来实现这一目标

分类模型的ROC曲线、AUC值、GINI系数、Lift、Gain、KS指标分别是什么？计算公式是什么？有什么意义？
data+scenario+science+insight
10-01 1557
分类模型的ROC曲线、AUC值、GINI系数、Lift、Gain、KS指标分别是什么？计算公式是什么？有什么意义？ 目录 分类模型的ROC曲线、AUC值、GINI系数、Lift、Gain、KS指标分别是什么？计算公式是什么？有什么意义？ # ROC曲线（Receiver Operation Characteristic Curve） # AUC（ROC曲线下面积 Area Under ROC Curve） #基尼系数 #LIFT（提升）指标 #Gains（增益）指标 #K-S（Kolmo
区分度评估指标-KS
凝眸伏笔的博客
12-05 8568
KS指标来评估模型的区分度（discrimination），风控场景常用指标之一。本文将从区分度的概念、KS的计算方法、业务指导意义、几何解释、数学思想等多个维度展开分析，以期对KS指标有更为深入的理解认知。在探索性数据分析（EDA）中，若想大致判断自变量x对于因变量y有没有区分度，我们常会分正负样本群体来观察该变量的分布差异，如图1所示。那么，如何判断自变量是有用的？直观理解，如果这两个分布的重叠部分越小，代表正负样本的差异性越大，自变量就能把正负样本更好地区分开。 图 1 - 正负样本变量分布差异对比K
分类评估指标之家族成员：ROC、AUC、Lift、Gain、Gini、KS、PR曲线、F1、洛伦兹曲线
statistics+insight+vista+power
02-10 1842
分类评估指标之家族成员：ROC、AUC、Lift、Gain、Gini、KS、PR曲线、F1、洛伦兹曲线 Data+Science+Insight ...
【模型 区分度】神秘的KS值和GINI系数
热门推荐
赖德发的博客
10-12 6万+
有效性指标中的区分能力指标：KS(Kolmogorov-Smirnov)：KS用于模型风险区分能力进行评估， 指标衡量的是好坏样本累计分部之间的差值。 好坏样本累计差异越大，KS指标越大，那么模型的风险区分能力越强。KS的计算步骤如下： 1. 计算每个评分区间的好坏账户数。 2. 计算每个评分区间的累计好账户数占总好账户数比率(good%)和累计坏账户数占总坏账户数比率(bad%)。 3.
模型区分度衡量指标-KS值
weixin_30770495的博客
09-25 2839
1.KS值--学习器将正例和反例分开的能力，确定最好的“截断点” KS曲线和ROC曲线都用到了TPR，FPR。KS曲线是把TPR和FPR都作为纵坐标，而样本数作为横坐标。但是AUC只评价了模型的整体训练效果，并没有指出如何划分类别让预估的效果达到最好。不同之处在于，ks取的是TPR和FPR差值的最大值。伪阳性率（FPR） ：判定为正例却不是真正例的比率真阳性率（TPR） ：判定为正例也...
临床预测模型概述5-临床预测模型评价指标(区分度，校准度和临床决策曲线）
zfyyzhys的博客
05-18 6197
为一个新手科研者我们在做完模型构建之后就够了吗？我们怎么知道自己构建的模型好不好呢？这个时候就需要我们找到一些方法对模型进行评价和验证了。
迹象权数WOE、信息值IV、kS值、GINI系数
m0_38093796的博客
01-08 7177
WOE和IV使用来衡量变量的预测能力，值越大，表示此变量的预测能力越强。 WOE=ln(累计正样本占比/累计坏样本占比) IV=（累计正样本占比-累计坏样本占比）*WOE 信息值(IV) 预测能力 <0.03 无预测能力 0.03~0.09 低 0.1~0.29 中 0.3~0.49 高 0.5~ 极高 KS和GINI系数用来...
【模型指标】ks,gini值，auc的关系
changzoe的博客
11-06 1668
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...
AUC、KS评价指标、洛伦兹曲线、Gini系数、Lift曲线和Gain曲线
some_apples的博客
02-04 7623
文章目录1.AUC1.1.混淆矩阵1.2.ROC曲线2.KS评价指标3.洛伦兹曲线4.Gini系数5.Lift曲线和Gain曲线6.总结 关于AUC、KS评价指标、洛伦兹曲线、Gini系数、Lift曲线和Gain曲线。在别人的博客里看到下面的一个小故事： 故事是这样的： ​ 首先，混淆矩阵是个元老，年龄最大也资历最老。创建了两个帮派，一个夫妻帮，一个阶级帮。 ​ 之后，夫妻帮里面是夫妻两个，...
[机器学习]模型评估指标：ROC/AUC，KS，GINI，Lift/Gain, PSI 总结
qq_41111337的博客
03-19 1万+
目录 背景介绍 一 ROC曲线和AUC值 二 KS曲线 三 GINI系数 四 Lift , Gain 五 模型稳定度指标PSI 背景介绍 在模型建立之后，必须对模型的效果进行评估，因为数据挖掘是一个探索的过程，评估-优化是一个永恒的过程。在分类模型评估中，最常用的两种评估标准就是KS值和GINI, AUC值.可能有人会问了，为什么不直接看正确率呢？你可以这么想，如果一批样本中，正样本占到90%，负样本只占10%，那么我即使模型什么也不做，把样本全部判定为正，也能有90%的正确率咯？所以，用AUC值够保证你在
风控建模 数据对照篇：WOE IV 回归系数 P值 相关系数 共线性指标 膨胀因子 KS AUC GINI PSI
不太焦虑又不太安分
04-01 2584
最重要的事情开始都会讲：建模是始终服务于业务的，没有业务的评分卡就没有灵魂 每一个指标段对应的评价如下，就当做各位的参考表数据吧。希望可以对大家有帮助 WOE IV 回归系数 P值 相关系数 共线性指标：膨胀因子 KS AUC GINI PSI 最重要的事情最后都会讲：建模是始终服务于业务的，没有业务的评分卡就没有灵魂 ...
ROC曲线、AUC、Gini系数和KS值
qq_14809159的博客
07-21 9432
ROC曲线和AUC ROC曲线是指受试者工作特征曲线/接收器操作特性曲线（receiver operating characteristic curve），是反应敏感性和特异性连续变量的综合指标，利用构图法揭示敏感性和 特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标，特异性为横坐标绘制成曲线，曲线下的面积（AUC）越大，诊断准确性越高...
【机器学习】决策树-Gini指数
Dong_ZH的博客
02-20 1万+
基尼系数也是一种衡量信息不确定性的方法，与信息熵计算出来的结果差距很小，基本可以忽略，但是基尼系数要计算快得多，因为没有对数。
基尼值和基尼指数
qq_39197555的博客
03-30 7084
CART 决策树 [Breiman et al., 1984] 使用"基尼指数" (Gini index)来选择划分属性。CART 是Classification and Regression Tree的简称，这是一种著名的决策树学习算法,分类和回归任务都可用。 一、基尼值和基尼指数 基尼值Gini（D）：从数据集D中随机抽取两个样本，其类别标记不一致的概率。故，Gini（D）值越小，数据集D的纯度越高。 数据集 D 的纯度可用基尼值来度量： ...
机器学习——决策树算法原理及案例
weixin_34060741的博客
05-04 1万+
机器学习在各个领域都有广泛的应用，特别在数据分析领域有着深远的影响。决策树是机器学习中最基础且应用最广泛的算法模型。本文介绍了机器学习的相关概念、常见的算法分类和决策树模型及应用。通过一个决策树案例，着重从特征选择、剪枝等方面描述决策树的构建，讨论并研究决策树模型评估准则。最后基于 R 语言和 SPSS Modeler这两个工具，分别设计与实现了...
机器学习｜决策树｜Gini指数和熵的区别｜简单示例
公众号：快乐变态屋 漂亮大男孩的罗德岛
04-23 4974
在决策树模型中，Gini指数和熵（Entropy）是用来计算节点纯度的两种方法。它们都是评估分裂点的好坏，以选择最佳的属性来分裂。
KS（洛伦兹曲线）
love1005lin的博客
11-03 3693
KS（洛伦兹曲线） KS(Kolmogorov-Smirnov)值越大，表示模型能够将正、负客户区分开的程度越大。KS值的取值范围是[0，1] 通常来讲，KS>0.2即表示模型有较好的预测准确性。 ks求解方法： ks需要TPR和FPR两个值：真正类率(true positive rate ,TPR), 计算公式为TPR=TP/ (TP+ FN)，刻画的是分类器所识别出的 正实例占所有正实例的比例。另外一个是假正类率(false positive rate, FPR),计算公式为FPR= FP / (
风控指标 —— KS
颹蕭蕭
09-20 4943
原文作者：过一点画一条直线（知乎ID） 知乎专栏：数据化风控 原文链接：https://zhuanlan.zhihu.com/p/95797653 KS统计量是信用评分和其他很多学科中常见的统计量，在金融风控领域中，常用于衡量模型对正负样本的区分度。 通常来说，值越大，模型区分正负样本的能力越强，一般0.3以上，说明模型的效果比较好（申请评分卡）。 其定义如下： KS=max{TPR−FPR}KS = max\{TPR - FPR\}KS=max{TPR−FPR} 与ROC曲线相似，ROC是以FPR作.
基尼指数详细解释
Ethan_Rich的博客
08-15 4073
基尼指数量化了一个节点中样本的不纯度。具体来说，它计算了从该节点中随机抽取两个样本，它们属于不同类别的概率。基尼指数越低，表示节点的纯度越高。
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
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