KS曲线和ROC曲线在本质上是相同的，同样关注命中率（TPR）和假警报率（FPR），希望命中率（TPR）尽可能高，即尽可能揪出潜在流失客户，同时也希望假警报率（FPR）尽可能低，即不要把未流失客户误判为流失客户。区别于ROC曲线将假警报率（FPR）作为横坐标，将命中率（TPR）作为纵坐标，KS曲线将阈值作为横坐标，将命中率（TPR）与假警报率（FPR）之差作为纵坐标，如下图所示。
KS曲线 - 图1
和ROC曲线一样，除了可视化的图形外，还需要一个可以量化的指标来衡量模型预测效果，与ROC曲线对应的是AUC值，而与KS曲线对应的则是KS值。KS值的计算公式如下。

KS=max（TPR-FPR）

KS值就是KS曲线的峰值。具体来说，每一个阈值都对应一个（TPR-FPR）值，那么一定存在一个阈值，使得在该阈值条件下，（TPR-FPR）值最大，那么此时的（TPR-FPR）值便称为KS值。例如，上图中当阈值等于40%时，命中率（TPR）为80%，假警报率（FPR）为25%，所以（TPR-FPR）值为55%，该值是所有阈值条件下最大的（TPR-FPR）值，因此，这个模型的KS值为55%。

更通俗易懂的话来说，该模型在阈值为40%时能尽可能地识别坏人，并尽可能地不误伤好人，此时命中率（TPR）减去假警报率（FPR）的差值为55%，即该模型的KS值。

用KS曲线评估客户流失预警模型

与ROC曲线的绘制相同，可通过如下代码求出在不同阈值下的假警报率（FPR）和命中率（TPR），从这一点也可以看出KS曲线和ROC曲线其实是同根同源的。

  1. from sklearn.metrics import roc_curve
  2. fpr, tpr, thres = roc_curve(y_test, y_pred_proba[:,1])

通过同样的代码整理此时的阈值、假警报率、命中率。

  1. a = pd.DataFrame()
  2. a['阈值'] = list(thres)
  3. a['假警报率'] = list(fpr)
  4. a['命中率'] = list(tpr)

整理结果见下表（为了美观，将数据保留4位小数）
KS曲线 - 图2
现在已知不同阈值下的假警报率和命中率，用Matplotlib库相关知识点绘制KS曲线，代码如下。

  1. plt.plot(thres[1:], tpr[1:])
  2. plt.plot(thres[1:], fpr[1:])
  3. plt.plot(thres[1:], tpr[1:] - fpr[1:])
  4. plt.xlabel('threshold')
  5. plt.legend(['tpr', 'fpr', 'tpr-frp'])
  6. plt.gca().invert_xaxis()
  7. plt.show()

第1～3行代码绘制的曲线均以阈值为横坐标，而纵坐标分别为命中率、假警报率及两者之差。因为表格第1行中的阈值大于1，无意义，会导致绘制出的图形不美观，所以通过切片的方式将第1行剔除，其中thres[1:]、tpr[1:]、fpr[1:]都表示从第2个元素开始绘制。
第4行代码给x轴加上“threshold”的标签。
第5行代码用于添加图例。
第6行代码反转x轴，即把阈值从大到小排序再绘制KS曲线，之前讲解原理时也提到过这一点。具体来说，先用gca()函数（gca代表get current axes）获取坐标轴信息，再用invert_xaxis()函数反转x轴。

绘制的KS曲线如下图所示。
KS曲线 - 图3
通过如下代码则可以快速求出KS值。打印输出该KS值，结果为0.4744，在[0.3，0.5]区间内，因此，该模型具有较强的区分能力。

  1. max(tpr - fpr)

参考文档

https://juejin.cn/post/6976044776752119822