CAP（Cumulative Accuracy Profile）曲线/AR值释义

CAP（Cumulative Accuracy Profile）曲线/AR值释义

CAP（Cumulative Accuracy Profile）曲线以及对应的AR（Accuracy Ratio）值是金融风控模型评价中的一个比较常用的指标，由于和机器学习准确率评价的ROC曲线比较类似，但CAP曲线的具体含义尚未见到有比较好的资料阐述，因此这里对CAP的概念做一详细说明。

首先，来讲一下CAP曲线针对的问题，以及它是如何做出来的。CAP衡量的是风控模型检出风险（也就是坏用户的）的能力。所谓风控模型实际上就是一个分类模型，它把有风险的客户作为正例进行检出。

CAP曲线的步骤如下：首先，对于所有预测的结果，按照其概率值降序排列起来，比如我们有5个客户，判断其为坏客户的概率分别为：[0.1，0.4，0.6，0.8，0.9]，那么排序后得到 [0.9，0.8，0.6，0.4，0.1]。我们将概率大的判断为正样本，但是需要一个阈值，那么我们就从高到低逐渐降低阈值，这时候发现，我们判断为正的数量越来越多，比如，阈值再0.85，则正的只有一个0.9，如果阈值降低到0.7，那么就有0.9和0.8两个正的预测。

CAP的横轴就是从排序后概率值头部到尾部的移动过程中，阈值以上的（预测为正的）样本占总样本的比例。写出来就是：

x = 该阈值下预测为正的样本数 / 样本集中的总样本数

而CAP的纵轴表示的则是，再当前阈值下，我们拣选出来的这些预测为正的样本中，其中含有的真实的正样本占所有正样本的比例。注意，这里的分母不是所有样本，而是所有正样本。写出来就是：

y = 该阈值下检出的正样本中真实的正样本数 / 样本集合中的总正样本数

这里可以看出，阈值实际上是x和y的一个隐变量。

我们想象一下，最好的情况是：我们将阈值从最大往最小移动，即将正负样本的划分界限从左往右移动的过程中，每增加一个预测为正的样本，它都是真的正样本。这样的结果就是：x和y的分子是一致的，那么随着阈值降低，y和x 的斜率就是一个常数：

k = y/x

= (该阈值下检出的正样本中真实的正样本数 / 样本集合中的总正样本数) * (样本集中的总样本数/该阈值下预测为正的样本数 )

= 样本集中的总样本数/样本集合中的总正样本数

=1/坏客户比率

也就是说，再理想状态下，CAP曲线应该是一个斜率为坏客户比例倒数（正样本比例的倒数）的直线。当然，这个直线不能一直递增，因为正样本是有限的，那么当所有正样本都被检出后，曲线就平了，表示再也剪不出正样本了。

我们再考虑另一种情况，也就是最差的情况。由于斜率表示的是每次增加一点检出样本，正样本的检出率增加量。如果是随机的，也就意味着，不管在那个小区间里，正样本的比例和总体的正样本比例都是一样的（随机猜测）。所以，这个斜率应该是1。比如说，100个样本中，一共20个正例，那么如果我们检出了30个，那么如果是随机猜测，那么应该有6个正例在里面，此时x = 30/100 = 0.3， y = 6/20 = 0.3。斜率是1。也就是说，斜率1是随机猜测的结果。

如图所示：

实际情况中，我们的模型总是介于最优和随机之间的，而且越是靠近最优就越好。因此我们通常计算上图中黄色的面积与(黄色+灰色)的面积的比来衡量模型的有效性。这个值就是AR：

AR = (实际CAP曲线与随机曲线之间的面积) / （理想CAP曲线与随机之间的面积）

显然，AR在0到1之间。AR越大，模型就越有区分度，可以更好地将正负样本分开。

2019-08-29 20:51:32