前言

好几个月都没写点东西，更新博客了。果然，懒惰是人类的天性啊！趁着记忆清晰，对前些日子部门内部的建模比赛进行知识梳理，总结经验与心得，加深印象，以备不时之需。

评价风控（模型）的标准

【混淆矩阵】

本次建模是关于风控反欺诈，对非金交易客户进行预测，判断是否为欺诈客户。这里暂先撇开风控建模相关的事宜，我们来谈谈评判风控的标准是什么。

最好的风控效果其实是在所有客户中能100%鉴别出欺诈客户，然而现实是：这样的判断力太难实现了。在我们认定欺诈的客户中必然会误杀部分“好”客户；而在认定的非欺诈客户中同样也存在漏网之鱼（欺诈客户）。

因此，这里我们需要引进混淆矩阵这个概念。

	(预测) 1	(预测) 0
(真实) 1	TP	FN
(真实) 0	FP	TN

这里的0、1与网上关于混淆矩阵的介绍正好相反。大部分的资料都会把好客户作为把目标客户1，而我们的目标是要预测欺诈客户，所以欺诈客户为1，非欺诈客户为0。通过预测与真实的差异，得到以下4个指标：

TP：本身就是欺诈客户，同时也被判断为欺诈客户（True Positive）
TN：本身是好客户，同时被判断为好客户（True Negative）
FN：欺诈客户被认为是好客户，即漏网之鱼（False Negative）
FP：好客户却被判为欺诈客户，即误杀掉的（False Positive）

为了方便记忆这四个单词，可采取如下方法：Positive/Negative指的是预测的结果，如果预测准确，前面加上一个True（真）；预测错了的话就是False（假）。此外，由混淆矩阵又引出了以下两个概念（之后会有用到）：

召回率：简称为TPR，计算公式为TPR=TP/(TP+FN)——所有真实的“1”中，有多少被模型成功选出
误报率：简称为FPR，计算公式为FPR=FP/(FP+TN)——所有真实的“0”中，有多少被模型误判成1

假设现在我们已经有了一个预测模型，得到的是每个客户会发生欺诈的概率，同时画出一个关于欺诈概率的频数分布图，如下：

我们需要一个阈值，来划分欺诈与非欺诈用户。如果为50%，那么概率大于50%的都认为是欺诈用户（再次注意，这里的概率指的是欺诈的概率）；如果阈值调整至70%，原本概率为60%的欺诈客户“张三”，将会被判定为非欺诈。因此，阈值的选取至关重要！

我们可以把原样本的欺诈/非欺诈客户分开，单独画频数分布图。对于欺诈客户的概率分布，我们给定一个评判的标准（阈值），则左侧灰色部分为FN（欺诈用户漏网了，认为是好人），右侧阴影部分为TP（本身为欺诈，认定为欺诈）。

我们发现，无论阈值标准线往左往右移动，势必会导致TP(被正确判断的欺诈用户)与TN（被正确判断的非欺诈用户）一方增大与一方减小。这样也正解释了风控力度的大小。阈值标准线越往左，风险控制越苛刻，漏网之鱼（FN）就越小，但与此同时非欺诈客户量（TN）也越小，原本正常的客户被误判为欺诈（FP）的也越多。

【ROC与AUC】

那么阈值究竟这么取比较好呢？这其实是个很有考量的技术活。还记得我们之前提及的召回率（TPR）与误报率（FPR）么。在给定TPR的情况下，FPR越小，说明误判的“好人”越少；同理，在给定FPR（能接受一定好人误判的）的情况下，如果TPR越大，说明抓出来的“坏人”也越多。

假如阈值取0.6，我们把大于0.6的标记为1（违约），小于0.6的标记为0（正常），同时可以计算出TPR与FPR。同理，如果阈值换成了0.5，我们又得到一组（TPR2，FPR2）。于是，我们以FPR为横坐标，TPR为纵坐标，把不同的点连成一条曲线，就是ROC曲线。

其实TPR与FPR是正相关的，也就是说：正确判断出“1”的数量增加，必然会付出代价（误判为“1”的FP也会增加）,ROC曲线上也能反映出这种变化趋势，从△TPR>△FPR到△TPR<△FPR。所以这里就回答了我们之前提出的问题：理想的阈值应该取△TPR=△FPR时所对应的阈值。

当我们有2个模型，画出了两条ROC曲线时，可以利用ROC曲线下的面积，即AUC或者C-统计量，来判断模型的效果。AUC越高，说明模型的分辨效果越好。

【提升图与洛伦兹曲线】

除了ROC曲线与AUC指标，常用的模型评价还有K-S曲线，而K-S曲线又是由洛伦兹曲线变换之后得到，所以这里我们结合《信用风险评分卡》书中的例子来介绍相关概念。

假设10000笔借款，实际发生了700笔坏账。如果我们把10000笔随机分成10等分，那么每等分的坏账应该为70笔。

再假设我们有一个模型。通过这个模型，我们能给出每笔借款可能发生坏账的概率，将概率从高到低排序。排名越靠前的，发生坏账的可能性越大。我们对排好序的序列也分成10等分。那么应该是，越靠前的等份里，包含的坏人应该越多，越靠后的等份里，包含的坏人要更少（好人更多）。一个理想的模型，应该是这个排序与真实的排序是一样的，即，从一个分割点开始，靠前的都是坏人，靠后的都是好人。

理想是美好的，然而现实是残酷的，我们总会误杀好人，也会漏掉坏人，能做的是把更多的坏人排到越前面。回到“提升图”相关内容，我们对之前排好序且10等份的数据计算各自等份内的违约数、占比与累计占比，如图：

把每份违约占比（实际与随机即第4与第7列）放到一张柱形图上，即提升图。

也可以将累计占比（实际与随机即第5与第8列）放到一张曲线上，即洛伦兹曲线。

有了洛伦兹曲线，我们就可以直观的比较两个模型的优劣了。我们在一张图上画上两个模型的洛伦兹曲线A与B，假定用户群体中真实的欺诈率是40%（即理想的模型中所有的违约用户全部集中在前4个等份）。我们可以看到，模型A识别出88%的违约用户，而B模型只能分离出78%的用户，所以模型A要比模型B效果好。所以以后我们只要看哪个模型越往“左上角鼓”，效果就越好。

【K-S曲线】

现在我们对“好人”，“坏人”分别画洛伦兹曲线，这两条曲线的差值，就是K-S曲线。如下图所示，假定我们选取阈值为20%（即认定概率大于20%的用户为违约用户），则该模型可以挑选出60%的违约用户，但同时会误判8%的“好人”。那么K-S曲线在违约率上的值就是60%-8%=52%。

K-S曲线主要是验证模型的区分能力，曲线中的最大值就是K-S统计量。K-S统计量越大，就越能把“好”“坏”区分开来，模型效果也就越好。

我们再深入一层，针对60%与8%这两个数字细想一下：这60%不正是在设定20%阈值情况下，TPR的定义么。同理，8%对应着FPR。所以K-S曲线实际上就是以10%*k为横坐标，分别以TPR与FPR的值为纵坐标画出的两条曲线的差值。而KS=max(TPR-FPR)即两条曲线的最大差值，当KS最大时，也就是△TPR=△FPR，这不就是我们之前在ROC曲线上找到的最优阈值么？所以无论是ROC曲线还是K-S曲线，其本质上是一样的。