风控模型评估指标包括KS曲线、ROC曲线、AUC值和PIS指数

在上述图表中，最为常见且广泛使用的评估指标是TPR（True Positive Rate）与FPR（False Positive Rate）：

具体而言：

TPR = TP/(TP+FN)，即对实际为正类的样本中，被正确识别的比例；

FPR = FP/(FP+TN)，即对实际为负类的样本中，被错误识别为正类的比例；

Precision = TP/(TP+FP)，即在所有被预测为正类的样本中，真正属于正类的比例。

理想情况下，模型应尽可能提高TPR并同时降低FPR。然而，在实践中，任何模型在提升正确识别率的同时，往往难以避免误判率的上升。这一概念看似较为抽象，但幸运的是ROC曲线能够直观地展现这两者之间的关系。

ROC曲线以FPR作为横坐标轴，TPR作为纵坐标轴，在不同分类阈值下计算出相应的FPR与TPR值，并将这些点连接起来形成图形。AUC代表ROC曲线下方所覆盖的面积，其数值通常位于0.5至1.0之间。数值越高表明模型具有更强的判断能力，理想情况是越接近1越好。当ROC值等于0.5时，则说明该模型的预测效果等同于随机猜测。

KS值则衡量了模型区分正负类别之间