如何深入理解Python算法在风控领域应用中的KS原理？

本文共计2328个文字，预计阅读时间需要10分钟。

目录

一、业务背景

二、直观理解区划分的概念

三、KS统计量的定义

四、KS计算过程及业务分析

五、KS常用计算方法：

- 上标指标计算逻辑 - 五、风控中选用KS的原因 - 例1：模糊性 - 例2：连续性

目录

• 一、业务背景
• 二、直观理解区分度的概念
• 三、KS统计量的定义
• 四、KS计算过程及业务分析
• KS常用的计算方法：
• 上标指标计算逻辑：
• 五、风控中选择KS的原因
• 例1：模糊性
• 例2：连续性

一、业务背景

在金融风控领域，常常使用KS指标来衡量评估模型的区分度（discrimination），这也是风控模型最为追求的指标之一。下面将从区分度概念、KS计算方法、业务指导意义、几何解析、数学思想等角度，对KS进行深入剖析。

二、直观理解区分度的概念

在数据探索中，若想大致判断自变量x对因变量y有没有区分度，常会将样本分为正负来观察变量的分布差异。那么，如何判断自变量是有用的？直观理解，如果两个分布的重叠部分越小，代表正负样本的差异性越大，自变量就能更好的将正负样本区分开来。具体如图1所示。

打个比方，想象这个变量就是一双手，把这个分布往两边拉开。这双手的力量越大，两个概率分布间隔就越远，说明变量区分性就越强。