KS
KS用来衡量正负两个分布之间的差异，差异越大表明模型更具有区分正负样本的能力，KS值被定义为累积正例分布和累积负例分布的最大差值。
Gain/Lift
x轴是support，y轴是recall。
base rate，根据Base Rate 查找出完美的分类模型的情况,也就是当x值=BR时,也就是AUC为1的情况. 这是分类器能获得的最佳收益,因此我们的收益曲线(Gain curve)越接近idea case越好.
理想情况如上图的红线，也就是前面10个全是P，后面10个全是N，证明模型的区分能力很好，而灰色的斜线表示随机猜测。
下面是一个Gain的计算过程，其中样本量为N，有预测的score和实际的标签P/N，将预测的score，按照从大到小排序，下图左边是排完序之后的结果，没有保留原有的score，而是用标签代替。
x轴和y轴总共是1.0，按照排序之后的样本，从上到下， 每次考虑一个样本，此时x的步长为一个样本，也就是1.0/N，例子里有20个样本，所以是0.05一个点；此时y为P，也就是正标签的累积比例，总共10个P，所以每遇到1个P，就增加1/10=0.1，最终形成曲线。
引用：
若有收获，就点个赞吧
0 人点赞
