评价模型精度的方法有哪些呀？

1、AUC和ROC：两者通常结合在一起使用，ROC（receiver operating characteristic），接收者操作特征曲线，横坐标是FPR，预测为正但实际为负的样本占所有负样本的比例。纵坐标是TPR，预测为正且实际为正的样本占所有正样本的比例。ROC曲线越靠近纵轴越好，但ROC曲线没不是一个指标所以在实际应用中并不多。AUC（Area Under Curve）是一个（0，1）的概率值，表示ROC曲线下的面积，通常情况下大于0.5，值越大越好，1的时候最完美，通常0.75以上表示模型拟合较好。

2、提升图：将预测概率值降序排列，并等分为10/20等份，计算每等份中正样本率与整体正样本率（固定值）的比值，好的模型该比值是单调递减的，前3个等分的比值大于1，且越大越好。

3、洛伦茨曲线

4、KS曲线和KS值：拿信贷模型举例，假如信用评分是0，1，2，3，4，5，且符合正太分布，我们的目标是贷款给更多的好用户，拒绝更多的坏用户，实现二者最优。贷款给更多的人则要把他们都判定为好样本，理想情况下都判定为好样本，但这个时候会对坏样本误判。如果要拒绝更多的坏用户，理想情况下都判定为坏样本。其中好样本对应于召回率（TPR）：预测为正且实际为正的样本数/所有正样本数 。坏样本对应于误诊率（FPR）：预测为负但实际为正的样本数/所有负样本数。