Lift提升度,风险倍数指标

最新推荐文章于 2023-12-27 02:13:36 发布
最新推荐文章于 2023-12-27 02:13:36 发布
阅读量5.5k 收藏 8
点赞数
分类专栏： 数据分析 金融风控 文章标签： 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45235606/article/details/113185843
版权

Lift提升度的计算逻辑是：在模型中算出来每个评分等级的分数，之后便将将打分后的样本按分数从低到高排序，取10或20等分，并将坏样本数与组内观察数作商，最后再将该值比各个自然分组与整体样本数的比值，这便是lift提升值的概念。
某公司中4个产品（a/b/c/d）中，dpd30+的逾期的情况，整体的dpd30+的逾期率为1.6%，将每组数值跟总体（也叫大盘，为1.6%）取比值，我们能计算出每一组风险倍数的数值（倍数即除平均）。

result_df['风险倍数'] = result_df['bad_rate'] / bad_rate_avg   # 风险倍数

负样本占比倍数：负样本占比/total负样本占比（类似有逾期倍数，风险倍数，累计负样本占比倍数）

人之初哈哈
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
风控策略效率与lift值
lc434699300的博客
07-18 810
上面说到评估一条策略有效的标准是lift>3，那么自然会有一个问题，为什么lift值要大于3以及lift为3时的含义是什么，或者说有没有其它更能代表一条策略效率高低的指标呢，以下内容就是来慢慢探究这些问题。3.Lift值：也叫提升度或风险倍数，命中该规则的坏人率相对于大盘坏人率的提升倍数，通常，认为一条规则有效的标准为lift>3，lift的值越大，代表规则越有效，或者说策略的效率越高。可以看到，lift值为3时，不同拒绝占比下的压降比也不相同，拒绝占比更大的策略效率更高，这也符合常识。
lift提升算法
04-10
lift提升算法的分析实现 基于原始算法的提升运算
金融风控指标:WOE, IV, KS，LIFT值和PSI
duncan
04-20 1万+
1.WOE：表示自变量在分组内取值对于目标变量（违约概率）的影响 •WOE的计算公式是： •WOE=ln[(坏样本/总坏样本)/(好样本/总好样本)]=ln[(坏样本/好样本)/(总坏样本/总好样本)] Pyi：是这个组中响应客户（坏样本）占所有样本中所有响应客户的比例 Pni：是这个组中未响应客户（好样本）占样本中所有未响应客户的比例 #yi：是这个组中响应客户的数量 #ni：是这个组中未响应客户的数量 #yT：是样本中所有响应客户(总的坏样本)的数量 #nT：是样本中所有未响.
提升lift函数
03-03
根据评分卡的评分结果分组计算lift,可以调用后绘制lift曲线
机器学习——关联规则——支持度（support)、置信度（confidence）、提升度（Lift)
热门推荐
huangguohui_123的博客
04-15 6万+
一般我们使用三个指标来度量一个关联规则，这三个指标分别是：支持度、置信度和提升度。 Support（支持度）：表示同时包含A和B的事务占所有事务的比例。如果用P(A)表示使用A事务的比例，那么Support= Confidence（可信度）：表示使用包含A的事务中同时包含B事务的比例，即同时包含A和B的事务占包含A事务的比例。公式表达：Confidence= Lift（提升度）：表示“包含A的...
数据关联规则：概述【频繁项集评估标准：支持度(support)、置信度(confidence)、提升度(lift)】【算法：Aprior、FP-Tree、GSP、CBA】
u013250861的博客
01-18 1万+
关联规则中的数据集结构一般如下所示：{ 牛奶 } 是 1-项集{ 牛奶，果冻 } 是 2-项集；{ 啤酒，面包，牛奶 } 是 3-项集X和Y是项集X称为规则前项Y称为规则后项事务：即样本，一个样本称为一个事务。事务仅包含其涉及到的项目，而不包含项目的具体信息在超级市场的关联规则挖掘问题中事务是顾客一次购物所购买的商品，但事务中并不包括这些商品的具体信息，如商品的数量、价格等。
支持度，置信度，提升度的区别和计算
zz2230633069的博客
09-27 1万+
支持度定义（多个的时候是联合概率）：support(A，B)同时购买了商品A和商品B的交易次数/总的交易次数。support(A): 即为购买A在所有事务性变量（购物篮）中出现的比例。 因此上面的题目：s(e)=8/10=0.8，s(b,d)=2/10=0.2， s(b,d,e)=2/10=0.2；结果选A。 置信度定义（就是条件概率）：confidence（A-->B）=P(B|A...
python机器学习案例系列教程——模型评估总结
全栈工程师开发手册（原创）https://github.com/tencentmusic/cube-studio
03-04 9496
全栈工程师开发手册 （作者：栾鹏） python数据挖掘系列教程 回归评估指标 均方误差（MSE） MSE （Mean Squared Error）叫做均方误差。看公式 1m∑i=1m(yi−f(xi))21m∑i=1m(yi−f(xi))2\frac{1}{m}\sum_{i=1}^m(y_i-f(x_i))^2 均方根误差（RMSE） RMSE（Root Mea...
Lift:使用线程的提升模拟
05-22
在这个“Lift”项目中，我们看到一个简单的电梯系统，其中电梯和乘客的行为是通过Java中的线程来实现的。以下是对这个项目中涉及的主要知识点的详细说明： 1. **线程**：在Java中，线程是程序执行的最小单元。在...
关联规则 支持度 置信度 提升度
AINLearning的博客
08-17 3815
1. 支持度（Support） 支持度是两件商品（X∩Y）在总销售笔数(N)中出现的概率，即X与Y同时被购买的概率。 X、Y同时出现的概率 Support(X→Y) = P(XY) 2. 置信度 （Confidence） 置信度是购买X后再购买Y的条件概率。 Confidence(X→Y) = P(Y|X) = P(XY) / P(X) 3. 提升度（Lift） 提升度表示先购买其中一个商品对购买购买另一个商品的概率的提升作用，用来判断规则是否有实际价值，即使用规则后商品在购物车中出现
关联关系的评估指标：深入解析
最新发布
禅与计算机程序设计艺术
12-27 701
1.背景介绍 关联关系是数据挖掘领域中的一个重要概念，它用于挖掘数据中的隐含关系。关联关系分析(Association Rule Mining，ARM)是一种常用的数据挖掘方法，用于发现数据集中的关联规则。关联规则是指两个或多个项目在同一交易中出现的频率与它们独立出现的频率之比。关联规则分为两类：一是确定性规则(deterministic rules)，即如果条件成立，则结果必然成立；二是概率规...
【关联规则挖掘】
hongyuekang的博客
02-19 1696
关联规则挖掘--支持度、置信度、提升度
【模型指标】LIFT提升图
changzoe的博客
04-28 1万+
信用模型中的LIFT 在模型评估中，我们常用到增益/提升（Gain/Lift）图来评估模型效果，其中的Lift是“运用该模型”和“未运用该模型”所得结果的比值。以信用评分卡模型的评分结果为例，我们通常会将打分后的样本按分数从低到高排序，取10或20等分（有同分数对应多条观测的情况，所以各组观测数未必完全相等），并对组内观测数与坏样本数进行统计。用评分卡模型捕捉到的坏客户的占比，可由该组坏样本数除以...
判断关联规则是否可靠-提升度 lift，KULC，IR
weixin_30316097的博客
05-28 382
在所分析的10000个事务中,6000个事务包含计算机游戏,7500个包含游戏机游戏,4000个事务同时包含两者。 关联规则（计算机游戏，游戏机游戏） 支持度为0.4，看似很高，但其实这个关联规则是一个误导。 在用户购买了计算机游戏后有 （4000÷6000）0.667 的概率的去购买游戏机游戏，而在没有任何前提条件时，用户反而有（7500÷10000）0.75的概率去购买游戏...
R关联规则算法（支持度、自信度、提升度）
Erin的博客
07-25 1万+
关联规则（Association Rules） 两个不相交的非空集合X、Y,如果有X->Y,就说X->Y是一条关联规则。关联规则的强度用支持度（support）和自信度(confidence)来描述，关联规则是否可用，使用提升度(Lift)来描述。 挖掘定义 给定一个数据集，找出其中所有支持度support>=min_support，自信度confidence>=min_confifence的
Apriori算法提升度的实现
08-21
### 回答1： Apriori算法中提升度（lift）是用来衡量关联规则的可靠性和有效性的指标。提升度大于1表示两个项集之间存在正相关关系，小于1表示负相关关系，等于1表示两者独立。 Apriori算法提升度的实现步骤如下： 1. 对于每条关联规则 A→B，计算其支持度（support）和置信度（confidence）； 2. 计算项集 A 和 B 的支持度 sup(A) 和 sup(B)； 3. 计算关联规则 A→B 的提升度 lift = sup(A∪B) / (sup(A) * sup(B))； 4. 根据提升度对所有关联规则进行排序。 以下是Python代码实现： ```python # 定义计算提升度的函数 def calc_lift(support_AB, support_A, support_B): return support_AB / (support_A * support_B) # 计算所有关联规则的提升度 def calc_all_lift(itemsets, rules, supports): lift_dict = {} for rule in rules: A, B = rule support_AB = supports[frozenset(A | B)] support_A = supports[frozenset(A)] support_B = supports[frozenset(B)] lift = calc_lift(support_AB, support_A, support_B) lift_dict[(frozenset(A), frozenset(B))] = lift return lift_dict # 测试代码 itemsets = [frozenset({'A', 'B', 'C'}), frozenset({'A', 'B'}), frozenset({'A', 'C'}), frozenset({'B', 'C'}), frozenset({'A'}), frozenset({'B'}), frozenset({'C'})] supports = {frozenset({'A', 'B', 'C'}): 0.2, frozenset({'A', 'B'}): 0.4, frozenset({'A', 'C'}): 0.3, frozenset({'B', 'C'}): 0.3, frozenset({'A'}): 0.6, frozenset({'B'}): 0.7, frozenset({'C'}): 0.5} rules = [(frozenset({'A'}), frozenset({'B'})), (frozenset({'B'}), frozenset({'A'})), (frozenset({'A'}), frozenset({'C'})), (frozenset({'C'}), frozenset({'A'})), (frozenset({'C'}), frozenset({'B'})), (frozenset({'B'}), frozenset({'C'}))] lift_dict = calc_all_lift(itemsets, rules, supports) for rule, lift in sorted(lift_dict.items(), key=lambda x: x[1], reverse=True): print(f"{rule[0]} -> {rule[1]}: {lift:.3f}") ``` 输出结果如下： ``` frozenset({'A'}) -> frozenset({'B'}): 1.143 frozenset({'B'}) -> frozenset({'A'}): 1.143 frozenset({'C'}) -> frozenset({'A'}): 1.000 frozenset({'A'}) -> frozenset({'C'}): 1.000 frozenset({'B'}) -> frozenset({'C'}): 0.857 frozenset({'C'}) -> frozenset({'B'}): 0.857 ``` 可以看到，关联规则 A→B 和 B→A 的提升度相同且大于1，说明 A 和 B 之间存在正相关关系；关联规则 A→C 和 C→A 的提升度相同且等于1，说明 A 和 C 之间独立；关联规则 B→C 和 C→B 的提升度相同且小于1，说明 B 和 C 之间存在负相关关系。 ### 回答2： Apriori算法是一种用于数据挖掘和关联规则学习的经典算法。提升度（Lift）是用于衡量关联规则强度的指标，它表示了关联规则中的一个元素出现的程度与另一个元素出现的程度之间的关系。 要实现Apriori算法中的提升度，我们需要按照以下步骤进行： 1. 首先，使用Apriori算法获得一组频繁项集。频繁项集是指在数据集中经常同时出现的项的集合。 2. 然后，通过计算关联规则的置信度来筛选频繁项集中的规则，并选择满足最小置信度要求的规则。置信度表示规则中的后件在前件出现的条件下出现的概率。 3. 接下来，对于每个满足最小置信度要求的规则，计算提升度。提升度的计算公式为：Lift(A -> B) = Confidence(A -> B) / Support(B)，其中Confidence(A -> B)表示规则的置信度，Support(B)表示项B在数据集中出现的概率。 4. 最后，根据计算得到的提升度值对规则进行排序，以确定规则的强度。 通过实现以上步骤，我们可以使用Apriori算法来获得关联规则的提升度。提升度的值可以帮助我们理解规则之间的相关性和强度，进而用于挖掘出更有用的关联规则。 ### 回答3： 提升度是用来衡量关联规则的强度和相关性的指标，Apriori算法也可以通过计算提升度来评估关联规则的重要性。Apriori算法是一种用于挖掘频繁项集和关联规则的经典算法。 首先，我们需要使用Apriori算法从一个事务数据库中获得频繁项集。频繁项集是指在事务数据库中频繁出现的项的集合。通过设置最小支持度阈值，我们可以筛选出满足条件的频繁项集。 一旦获得了频繁项集，我们可以生成关联规则。对于每个频繁项集，我们可以生成所有可能的关联规则，并计算它们的提升度。 关联规则的提升度定义为规则的支持度除以规则右侧项的支持度。提升度的计算公式如下： 提升度(A→B) = 支持度(A∪B) / (支持度(A) * 支持度(B)) 其中，A和B分别是关联规则的前件和后件，A∪B表示A和B的并集。 通过计算提升度，我们可以评估关联规则的重要性。当提升度大于1时，意味着关联规则的后件在前件中出现的可能性要大于在整个数据集中出现的可能性，即存在正向关联。当提升度小于1时，意味着关联规则的后件在前件中出现的可能性要小于在整个数据集中出现的可能性，即存在负向关联。 通过计算每个关联规则的提升度，我们可以对关联规则进行排序，并选择具有较高提升度的规则作为较为重要的关联规则。这样可以帮助我们发现具有实际意义和商业价值的规则，从而进行目标定向的市场活动和决策制定。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值