1. 前言
风控工作中，不管是特征工程、特征筛选、建模都常常涉及到的几个指标，简单总结下。
2. KS
KS 是用于衡量正负样本比例差程度大小的评估指标。简而言之，便是好人的程度与坏人的程度之差。
表示第
分段。
绿色的虚线的长短即代表着当前分段的 KS 大小。
理想状态下，KS 越高，越能反映特征或者模型的风险区分能力，完美的信用分分布是正态分布的。现实状态下，大于 0.9 就过于高了， 这样的模型没有代表性。模型 KS 过高也要考虑是否过拟合的问题。一般来说， KS 在 0.3 以上时才勉强可用于生产，风险区分效果一般。
同时，KS 的后期观测也相当重要，在后续的监控中， KS 若出现持续下降， 有可能是市场发生了变化，客群发生变化，或者模型本身不太稳定，所以训练模型时训练集与验证集的对比也相当重要，两者 KS 差距较大，说明模型过拟合，或泛化能力不强。
3. WOE
WOE 全拼 Weight of Evidence，即证据权重，用于风险评估、授信评分卡等。
表示第
分段。也可转换后得到，
从上公式可知，WOE 实际展现的是 “该分段下的好用户数和坏用户数的比值” 与 “好用户总数与坏用户总数的比值” 的差异。WOE 越大，差异越大，好用户的可能性越大。
同时 WOE 变换常应用于特征工程，当我们对某些特征变量进行等频或等距等分箱后发现，发现每级分段 WOE 不满足单调性时（大部分为离散型变量），进行 WOE 变换，即采用对应每分段的 WOE 值替换掉特征原始值，此时该特征的分布将会是单调的。
通过 WOE 变换，同时保持 WOE 曲线具备单调性，带来的好处在于特征值与 y 值具备正（负）相关性，例如我们定义坏用户为 1 时，特征值越大，预测为坏人的概率将越高。
4. IV
IV 全拼 information value， 即信息价值，是衡量特征对于模型预测能力的指标，常用于入模训练前的特征筛选的参考依据。
IV 可由 WOE 计算得到
整个特征的 IV 值则为每段 IV 值之和，可得
当特征的 IV 值越大，该特征的信息价值就越大，对于判断客户好坏的贡献越大，这样的特征越适合入模。
我们通常以 IV 来作为判断特征对于模型的预测能力的指标，因为 WOE 有正负值，而 IV 只会是正值。最重要的是，WOE 值没有体现出当前分段的个体数在总体数量中的比例，举个例子，若某个分段的 WOE 值很大，但是该分段的个体数占总体数量中很小的比例，这 WOE 便不具备整体的代表性，因为其对于整体的贡献太小，IV 值也会很小。因此，使用 IV 值作为判断预测能力的指标。
4. python 实现
常常需要计算这些指标，对于每次都要跑大批量的特征，感觉异常烦躁，提高效率还是有必要，把这些指标整合起来写了个库，调用出结果。后来更懒了，写了层图形界面套上去，鼠标点一点就完事，及其舒适。果真懒才是人类进步的发动机。
源码: https://github.com/lianxiangtao/KS_IV
如果文章对你有所帮助，请不要吝啬手中的赞哦。心情会美美哒。
WX: xianyu_splash，本公众号用于记录本人学习历程、基础技术，分享日常灵感、优质工具，欢迎关注！共同进步！
