def evaluate_model(model, test_data,vectorizer): test_vectors = [] for text in test_data['sms']: tokens = bert_tokenize(text) test_vectors.append(" ".join(tokens)) test_vectors = vectorizer.transform(test_vectors) pred_probs = model.predict_proba(test_vectors)[:, 1] fpr, tpr, thresholds = roc_curve(test_data['target'], pred_probs) auc_score = roc_auc_score(test_data['target'], pred_probs) return fpr, tpr, auc_score给这个函数加上KS值

要给这个函数加上KS值，需要进行以下几个步骤：

1. 预测测试数据的标签
2. 计算预测标签为1和0的概率分布
3. 计算预测标签为1和0的累计概率分布
4. 计算KS值

下面是加上KS值的代码实现：

from sklearn.metrics import roc_curve, roc_auc_score

def evaluate_model(model, test_data, vectorizer):
    test_vectors = []
    for text in test_data['sms']:
        tokens = bert_tokenize(text)
        test_vectors.append(" ".join(tokens))
    test_vectors = vectorizer.transform(test_vectors)
    pred_probs = model.predict_proba(test_vectors)[:, 1]
    fpr, tpr, thresholds = roc_curve(test_data['target'], pred_probs)
    auc_score = roc_auc_score(test_data['target'], pred_probs)
    ks_value = compute_ks(test_data['target'], pred_probs)
    return fpr, tpr, auc_score, ks_value

def compute_ks(y_true, y_pred):
    sorted_idx = np.argsort(y_pred)
    cum_neg = np.cumsum(1 - y_true[sorted_idx])
    cum_pos = np.cumsum(y_true[sorted_idx])
    ks = np.max(cum_pos / np.sum(y_true) - cum_neg / np.sum(1 - y_true))
    return ks

其中，`compute_ks`函数计算KS值，返回最大差值。在`evaluate_model`函数中，将KS值计算出来后一并返回。