AUC、KS评价指标、洛伦兹曲线、Gini系数、Lift曲线和Gain曲线

最新推荐文章于 2025-05-27 18:47:34 发布

some_apples

最新推荐文章于 2025-05-27 18:47:34 发布

阅读量7.4k

点赞数 11

CC 4.0 BY-SA版权

分类专栏：模型评价指标文章标签：机器学习人工智能深度学习数据挖掘

本文链接：https://blog.csdn.net/some_apples/article/details/104166842

本文介绍了AUC、KS评价指标、洛伦兹曲线、Gini系数、Lift曲线和Gain曲线在机器学习中的作用。AUC是ROC曲线下的面积，衡量二分类模型的性能；KS关注模型风险区分能力；洛伦兹曲线和Gini系数用于评估坏样本分布；Lift和Gain曲线分别反映模型相对于随机选择的提升和整体精准度。这些指标有助于评估和选择模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

关于AUC、KS评价指标、洛伦兹曲线、Gini系数、Lift曲线和Gain曲线。在别人的博客里看到下面的一个小故事：

故事是这样的：

首先，混淆矩阵是个元老，年龄最大也资历最老。创建了两个帮派，一个夫妻帮，一个阶级帮。

之后，夫妻帮里面是夫妻两个，一个Lift曲线，一个Gain曲线，两个人不分高低，共用一个横轴。

再次，阶级帮里面就比较混乱。

1.帮主是ROC曲线。

2.副帮主是KS曲线，AUC面积。

3.AUC养了一个小弟，叫GINI系数。

1.AUC

AUC为ROC曲线下的面积，用于作为二分类模型的评价指标。

要理解AUC，首先得明白混淆矩阵。

1.1.混淆矩阵

混淆矩阵如下：

		真	实
		1（真）	0（假）
预	1（阳）	TP（真阳）	FP（伪阳）
测	0（阴）	FN（伪阴）	TN（真阴）

真阳率（召回率） $TPR=\frac{TP}{TP+FN}$ ，表示的是，所有真实类别为1的样本中，预测类别为1的比例。TPR越大，表示越有可能是对的。

伪阳率 $FPR=\frac{FP}{FP+TN}$ ，表示的是，所有真实类别为0的样本中，预测类别为1的比例。

1.2.ROC曲线

横轴为FPR，纵轴为TPR。目的是希望FPR尽可能小，TPR尽可能大。

画出来的图一般如下图所示：

通过模型预测得到各样本的预测值（如0.6、0.7等），则通过选择归于正类的阈值来判断各个样本的类别，之后则可以计算对应的TPR和FPR。常常将得到的各个样本值对应的预测值作为阈值，并计算对应的TPR和FPR。之后将得到的各点与（0，0）和（1，1）相连，则得到了ROC曲线。之后，计算ROC曲线下的面积则有AUC值。