本文介绍了风控模型的评估指标，如ROC曲线、AUC值、KS和基尼系数，强调了ROC适合不平衡数据的原因。讨论了样本不平衡问题的处理方法，包括扩大数据集、抽样和使用特定模型。同时，解释了模型的欠拟合和过拟合，提出正则化作为防止过拟合的手段，并对比了L1和L2正则化的区别。最后，讨论了交叉验证的目的、优点和常见方法。
目录：
1 简单介绍一下风控模型常用的评估指标
2 为什么ROC适合不平衡数据的评价？
3 如何处理样本不平衡的问题？
4 什么是模型的欠拟合和过拟合？
5 如何判断模型是否存在过拟合或欠拟合？对应的解决方法有哪些？
6 什么是正则化？什么是L1正则化和L2正则化？
7 正则化为什么可以防止过拟合？
8 L1和L2的区别以及分别服从什么分布
9 什么是交叉验证？交叉验证的目的是什么？有哪些优点？
10 交叉验证常用的方法有哪些？
1 简单介绍一下风控模型常用的评估指标。
混淆矩阵指标：精准率，查全率，假正率。当模型最后转化为规则时，一般用这三个指标来衡量规则的有效性。要么注重精准率，要么注重查全率，两者不可兼而得之。
ROC曲线和AUC值，ROC曲线是一种对于查全率和假正率的权衡，具体方法是在不同阈值下以查全率作为纵轴，假正率作为横轴绘制出一条曲线。曲线越靠近左上角，意味着越多的正例优先于负例，模型的整体表现也就越好。AUC是ROC曲线下面的面积，AUC可以解读为从所有正例中随机选取一个样本A，再从所有负例中随机选取一个样本B，分类器将A判为正例的概率比将B判为正例的概率大的可能性。在对角线(随机线)左边的点上TPR总大于
最低0.47元/天 解锁文章
1584
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
