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怎么算出KS值

KS值是通过计算ROC曲线上的最大垂直距离来得出的，公式为KS = max(TPR-FPR)，其中TPR是真正例率（True Positive Rate），FPR是假正例率（False Positive Rate）。在代码中，可以通过计算TPR和FPR数组的差值的最大值来得到KS值，具体实现如下：

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 = max(tpr - fpr)
    return fpr, tpr, auc_score, ks

其中，新增了一个变量ks来存储KS值，计算方法为max(tpr - fpr)。