评分卡模型验证常用指标
在模型训练及验证之前,需进行好坏用户的划分,可通过有贷后表现根据阈值进行划分,其中坏用户定义为1,好用户定义为0,基于此对模型验证指标进行说明。
- 混淆矩阵(confusion matrix)
实际表现 | |||
1 | 0 | ||
预测表现 | 1 | TP(true positive 预测正确的坏用户个数) | FP(false positive 预测错误的坏用户个数) |
0 | FN(false negative 预测错误的好用户个数) | TN(true negative 预测正确的好用户个数) |
- 敏感性
计算方式:
敏感性=TP/(TP+FN),即实际为坏人中预测正确的坏人占比;该值越大越好。 - 特异性
计算方式:
特异性=TN/(FP+TN),即实际为好人中预测正确的好人占比;该值越大越好。
注:对于平衡样本,单指标可衡量模型的准确性,对于非平衡样本,必须两个指标同时衡量才具有可信力。
精确率/查准率
计算方式:
精确率(Precision)=TP/(TP+FP),即预测为坏人中预测正确的坏人占比;召回率/查全率
计算方式:
召回率(Recall)=TP/(TP+FN),即实际为坏人中预测正确的坏人占比;F1 值
用来衡量二分类模型精确度的指标,由于查准率与查全率为互逆的,且都是越大越好,为了权衡这两个指标,故采用二者的调和平均值即F1来衡量模型。
计算方式:
F1=2PR/(P+R)
即精确率与召回率的调和平均值,P指精确率,R指召回率,为综合指标;
加权一般形式:
其中:
β值 | 说明 |
β=1 | P、R权重相等,即F1 |
β>1 | R的权重>P的权重 |
β<1 | R的权重小于P的权重 |
- K-S值
ks值用于对模型风险区分能力进行评估,指标为好坏样本累计部分的插值,一般K-S曲线的最大值代表K-S统计量,ks指标越大,模型风险区分能力越强。
计算方式:
1.计算每个样本区间的TPR(真正率/召回率:实际为坏人中预测为坏人的比例)与FPR(假正率:实际中为好人预测为坏人的比例):TPR=TP/(TP+FN),FPR=FP/(FP+TN),即累计TP/(TP+FN) 与累计FP/(FP+TN);
2.将样本分布区间排序,计算每个区间:|TPR-FPR|,获取每个区间绝对值的最大值,即max(|TPR-FPR|),为评分卡的K-S值。
如图范例,纵轴为TPR与FPR,横轴为样本占比:
评价标准:
k-s值(%) | 划分说明 |
<20 | 模型无鉴别能力 |
20~40 | 模型效果勉强接受 |
41~50 | 模型具有区别能力 |
51~60 | 模型有很好的区别能力 |
61~75 | 模型有非常好的区别能力 |
>75 | 模型异常,可能有问题 |
ROC
计算方式:
1.计算每个样本区间的TPR:TPR=TP/(TP+FN),FPR=FP/(FP+TN)
2.以FPR为x轴,TPR为y轴画图,获得ROC曲线AUC
计算方式:
AUC为ROC曲线下的面积,一般AUC在0.5到1之间,AUC越高,模型的区分能力越好。GINI系数
Gini coefficient用以衡量模型风险区分能力,用来衡量分布平衡程度,值的范围为0~1,计算方式:均匀分布直线与洛伦兹曲线之间的面积/均匀分布直线下的面积,即G=A/(A+B)。
计算方式:
gini系数 = A / (A + B) = (AUC - C) / (A + B) = (AUC -0.5) / 0.5 = 2*AUC - 1(其中C=A+B);PSI
稳定度指标PSI,用于衡量测试样本即模型开发样本评分的分布差异。PSI表示的就是按分数分档后,针对不同样本,或者不同时间的样本,population分布是否有变化,就是看各个分数区间内人数占总人数的占比是否有显著变化。
计算方式:
1.获取各评分区间样本实际占比Ac,与预测占比Ex,
2.PSI=sum((Ac-Ex)*ln(Ac/Ex))
PSI | 划分说明 |
<10% | 稳定性很高,无需更新模型 |
<10%~25% | 稳定性一般,需要进一步研究 |
>25% | 稳定性差,需要更新模型 |
稳定性测试分为两块,一个是样本外测试,一个是时间外测试;
LIFT
lift用来衡量一个模型是否有效,其值为应用模型对目标响应的预测能力优于随机响应的倍数,lift值越大,模型运行效果越好。
计算方式:
Lift=(TP/(TP+FP))/(P/(P+N))
即实际为坏样本中预测正确的比例与随机分配坏样本的比例的比值。GAIN
用来描述模型的整体精准度;
计算方式:
Gain=TP/(TP+FP)参考url:
https://staesthetic.wordpress.com/2014/04/14/gini-roc-auc-and-accuracy/
https://blog.csdn.net/shy19890510/article/details/79501582
https://blog.csdn.net/pipisorry/article/details/52574156
https://zh.wikipedia.org/wiki/%E5%9F%BA%E5%B0%BC%E7%B3%BB%E6%95%B0
http://www.mamicode.com/info-detail-2307541.html
评分卡模型验证常用指标相关推荐
- 评分卡模型开发-定性指标筛选
定量指标是数值型的,我们还可以用回归的方法来筛选,那么定性的指标怎么办呢? R里面给我们提供了非常强大的IV值计算算法,通过引用R里面的informationvalue包,来计算各指标的IV值,即可得 ...
- 评分卡模型开发-定量指标筛选
模型开发的前三步主要讲的是数据处理的方法,从第四步开始我们将逐步讲述模型开发的方法.在进行模型开发时,并非我们收集的每个指标都会用作模型开发,而是需要从收集的所有指标中筛选出对违约状态影响最大的指标, ...
- 金融风控--申请评分卡模型--特征工程(特征分箱,WOE编码) 标签: 金融特征分箱-WOE编码 2017-07-16 21:26 4086人阅读 评论(2) 收藏 举报 分类: 金融风
金融风控-->申请评分卡模型-->特征工程(特征分箱,WOE编码) 标签: 金融特征分箱-WOE编码 2017-07-16 21:26 4086人阅读 评论(2) 收藏 举报 分类: 金融 ...
- 金融风控-- >申请评分卡模型-- >特征工程(特征分箱,WOE编码)
这篇博文主要讲在申请评分卡模型中常用的一些特征工程方法,申请评分卡模型最多的还是logsitic模型. 先看数据,我们现在有三张表: 已加工成型的信息: Master表 idx:每一笔贷款的uniqu ...
- (信贷风控九)行为评分卡模型python实现
python信用评分卡建模(附代码,博主录制) https://study.163.com/course/introduction.htm?courseId=1005214003&utm_ca ...
- (信贷风控九)行为评分卡模型python实现(详细代码+注释+讲解)
(九)行为评分卡模型python实现(详细代码+注释+讲解) 浅谈行为评分卡 我们知道行为评分卡只要用在信贷的贷中环节,贷中指的是贷款发放之后到期之前的时间段,其实行为评分卡和申请评分卡在实现上没有太 ...
- 信用评分卡模型开发及评估指标
版权声明:本文为博主原创文章,未经博主允许不得转载. 一.信用风险评级模型的类型 信用风险计量体系包括主体评级模型和债项评级两部分.主体评级和债项评级均有一系列评级模型组成,其中主体评级模型可用&qu ...
- 3分钟搞明白信用评分卡模型模型验证
2019独角兽企业重金招聘Python工程师标准>>> 信用评分卡模型在国外是一种成熟的预测方法,尤其在信用风险评估以及金融风险控制领域更是得到了比较广泛的使用,其原理是将模型变量W ...
- 评分卡模型开发(八)--主标尺设计及模型验证
转自:https://blog.csdn.net/lll1528238733/article/details/76601930 上一步中开发的信用风险评分卡模型,得到的是不同风险等级客户对应的分数,我 ...
最新文章
- AndroidStudio中提示:uses-sdk:minSdkVersion 16 cannot be smaller than version 19 declared in libr
- Linux下输出不同颜色的字体详解
- Cordova插件中JavaScript代码与Java的交互细节介绍
- 基础算法 —— 递推算法
- 中国联通与小米深度联动 联合推出Wi-Fi 6路由器AX3600
- 【优化算法】晶体结构算法【含Matlab源码 1800期】
- LNMP环境下搭建wordpress
- hscan命令redis中游标的含义
- Oracle 日期相减获取年龄
- AsyncTask下载图片
- 每一代内存的读写速度大概是多少?
- 变上限积分求导的原理
- Excel 2010 VBA 入门 069 工作表事件之worksheet_selectionchange
- 【漫画科普】什么是PAM4
- 分图层加载CAD数据
- php安全新闻早八点-高级持续渗透-第一季关于后门
- 最小的k个数(Java)
- WebMatrix开发ASP.NET简易教程
- 【HTML】HTML网页设计-----中国戏曲--川剧网页介绍
- msfvenom——木马免杀篇