评分卡 KS计算公式

评分卡中的KS（Kolmogorov-Smirnov）是一种常用的模型评估指标，用于衡量模型在不同预测概率阈值下的性能差异。KS计算公式如下：

KS = max(TPR - FPR)

其中，TPR（True Positive Rate）表示真正例率，计算公式为TP / (TP + FN)，即真正例数除以真正例数加上假反例数。FPR（False Positive Rate）表示假正例率，计算公式为FP / (FP + TN)，即假正例数除以假正例数加上真反例数。TP表示真正例数，FN表示假反例数，FP表示假正例数，TN表示真反例数。

KS值越大，模型的区分能力越强，表示模型在不同概率阈值下能够更好地区分正例和反例。

相关问题

xgboost 评分卡

XGBoost评分卡是一种使用XGBoost模型作为基础的信用评分模型。XGBoost是一种基于决策树的机器学习算法，能够处理大规模数据集并且具有很高的准确性和效率。在信用评分领域，XGBoost评分卡能够利用大量的个人信息和信用记录数据，通过构建决策树模型来预测个人的信用风险。

XGBoost评分卡的建模过程通常包括数据预处理、特征工程、模型训练和评估。在数据预处理阶段，需要对原始数据进行缺失值处理、异常值处理和数据转换等操作。在特征工程阶段，会进行特征选择、变量转换和特征组合等操作，以提高模型的预测能力。在模型训练阶段，使用XGBoost算法对经过处理的数据进行训练，并通过交叉验证等方法来调参优化模型。最后，在评估阶段会使用评价指标如AUC、KS等来评估模型的性能。

XGBoost评分卡在信用评分领域有着广泛的应用，能够帮助金融机构和其他信贷方更准确地评估个人的信用风险，从而降低坏账率，提高放贷效率。同时，XGBoost评分卡也具有较强的解释性，能够帮助机构了解模型的预测过程，从而更好地制定风险管理策略。总之，XGBoost评分卡是一种有效且实用的信用评分模型，在金融领域有着广泛的应用前景。

特征的ks怎么计算

KS（Kolmogorov-Smirnov）统计量可以用于评估分类模型的性能。它衡量了真正例率和假正例率之间的差距，是一个常用的分类模型评估指标之一。

计算KS值的步骤如下：

1. 对数据集中的样本进行排序，按照模型预测的概率值从小到大排序。

2. 计算每个概率值处的真正例率（TPR）和假正例率（FPR）。

3. 计算每个概率值处的 KS 值，即 KS = TPR - FPR。

4. 找到最大的 KS 值及其对应的概率值，该 KS 值即为模型的 KS 值。

代码实现如下：

import numpy as np

def ks_score(y_true, y_pred):
    """
    计算KS值
    :param y_true: 真实标签
    :param y_pred: 预测概率
    :return: KS值
    """
    # 将真实标签和预测概率从小到大排序
    order = y_pred.argsort()
    y_true = y_true[order]
    y_pred = y_pred[order]

    # 计算正负样本的数量
    n_positive = sum(y_true)
    n_negative = len(y_true) - n_positive

    # 初始化 FPR 和 TPR
    FPR = [0]
    TPR = [0]

    # 计算 FPR 和 TPR
    for i in range(len(y_true)):
        if y_true[i] == 1:
            TPR.append(TPR[-1] + 1/n_positive)
            FPR.append(FPR[-1])
        else:
            FPR.append(FPR[-1] + 1/n_negative)
            TPR.append(TPR[-1])

    # 计算 KS 值
    ks = max([abs(TPR[i] - FPR[i]) for i in range(len(y_true))])

    return ks

其中，y_true 表示真实标签，y_pred 表示模型预测的概率值。