模型区分度衡量指标-KS值

1.KS值--学习器将正例和反例分开的能力，确定最好的“截断点”

KS曲线和ROC曲线都用到了TPR，FPR。KS曲线是把TPR和FPR都作为纵坐标，而样本数作为横坐标。但是AUC只评价了模型的整体训练效果，并没有指出如何划分类别让预估的效果达到最好。
不同之处在于，ks取的是TPR和FPR差值的最大值。
伪阳性率（FPR） ：判定为正例却不是真正例的比率
真阳性率（TPR） ：判定为正例也是真正例的比率
伪阴性率（FNR） ：判定为负例却不是真负例的比率
真阴性率（TNR） ：判定为负例也是真负例的比率

2.画图注意

令横轴为阈值，纵轴为TPR和TPR，值域均为[0, 1]。可以这样直观理解，随着横坐标从0到1变化，TPR越快提升，模型效果越好；反之，FPR越快提升，模型效果就越差。 ks值，正是图中的最大差值，此时的横轴取值，便是最佳阈值。 

3.作图步骤

1. 根据学习器的预测结果（注意，是正例的概率值，非0/1变量）对样本进行排序（从大到小）-----这就是截断点依次选取的顺序
2. 按顺序选取截断点，并计算TPR和FPR ---也可以只选取n个截断点，分别在1/n，2/n，3/n等位置
3. 横轴为样本的占比百分比（最大100%），纵轴分别为TPR和FPR，可以得到KS曲线
4. TPR和FPR曲线分隔最开的位置就是最好的”截断点“，最大间隔距离就是KS值，通常>0.2即可认为模型有比较好偶的预测准确性