分类算法与金融风控预测类常见评估指标

分类算法常见的评估指标：

1、混淆矩阵（Confuse Matrix ）

(1)若一个实例是正类，并且被预测为正类，即为真正类TP(True Positive)
(2)若一个实例是正类，并且被预测为负类，即为假负类FN（False Negative）
(3)若一个实例是负类，并且被预测为正类，即为假正类FP（False Positive）
(4)若一个实例是负类，并且被预测为负类，即为真负类TN（True Negative）

2、准确率（Accuracy）

常用的评价指标，但是不适合[于样本不均衡的情况。
$$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$$

3、精确率（Precision）

又称为查准率，正确预测为正样本（TP）占正样本（TP+FP）的百分比。
$$Precision=\frac{TP}{TP+FP}$$

4、召回率（Recall）

又称为查全率，正确预测为正样本（TP）占正样本（TP+FN）的百分比。
$$Recall=\frac{TP}{TP+FN}$$

5、F1 Score

精确率和召回率是相互影响的，精确率升高则召回率下降，召回率升高则精确率下降，如果需要兼顾二者，就需要精确率、召回率结合的F1 Score。
$$F1-Score=\frac{2}{\frac{1}{Precision}+\frac{1}{Recall}}$$

6、P-R曲线（Precision-Recall Curve）

P-R曲线是描述精确率和召回率的曲线

7、ROC（Receiver Operating Characteristic）

ROC 空间将假正例率（FPR）定义为X轴，真正例率（TPR）定义为Y轴。
TPR：在所有实际为正例的样本中，被正确地判断为正例之比率(–和召回率计算公式一样)。
$$TPR=\frac{TP}{TP+FN}$$

FPR：在所有实际为负例的样本中，被错误地判断为正例之比率。
$$TPR=\frac{FP}{FP+TN}$$

8、AUC(Area Under Curve)

ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。
又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5到1。AUC越接近1.0，检测方法真实性越高；等于0.5时，则真实性最低，无应用价值。

金融风控预测类常见的评估指标：

1、KS（kolmogorov-Sminov）统计量

在风控中，KS常用于评估模型区分度。区分度越大，说明模型的风险排序能力（ranking ability）越强。 K-S曲线与ROC曲线类似，不同在于

• ROC曲线将真正例率和假正例率作为横纵轴
• K-S曲线将真正例率和假正例率都作为纵轴，横轴则由选定的阈值来充当。 公式如下： $$KS=max(TPR-FPR)$$ KS不同代表的不同情况，一般情况KS值越大，模型的区分能力越强，但是也不是越大模型效果就越好，如果KS过大，模型可能存在异常，所以当KS值过高可能需要检查模型是否过拟合。以下为KS值对应的模型情况，但此对应不是唯一的，只代表大致趋势。

KS（%）	好坏区分能力
20以下	不建议采用
20-40	较好
41-50	良好
51-60	很强
61-75	非常强
75以上	过于高，疑似存在问题

2、ROC

3、AUC