imToken安卓版下载|ks

imToken安卓版下载|ks

作者： imToken安卓版下载

2024-03-07 19:33:09

Keyshot渲染软件教程全集_哔哩哔哩_bilibili

Keyshot渲染软件教程全集_哔哩哔哩_bilibili 首页番剧直播游戏中心会员购漫画赛事投稿Keyshot渲染软件教程全集

4.3万

2020-01-07 20:26:18

375762111269转载自学犀牛网校。持续更新中。。。

KeyShot 意为“The Key to Amazing Shots”，是一个互动性的光线追踪与全域光渲染程序，无需复杂的设定即可产生相片般真实的 3D 渲染影像。知识野生技能协会建模KEYSHOT野生技术协会渲染教程KS三维建模

摩洛哥猪倌

发消息

关注 6190

最流畅的高清对局，最纯正的爽感枪战视频选集(1/48)自动连播keyshot 5分钟入门渲染教程悟净GUO

2960

KeyShot小白入门课程12小时+KeyShot9新功能3小时益良师

71.9万

6927

【LITMUS教程】KEYSHOT渲染零基础入门教程LITMUS石蕊教程

13.5万

324

【KeyShot渲染教程】白色鼠标渲染产品与设计

4.4万

Keyshot｜最强半透明塑料渲染（21终极篇）炫炫停不下

3.4万

最新KeyShot 11.3.3.2安装教程 KeyShot2023版有安装包自取云渲视觉

2.6万

【Keyshot渲染教程】如何让汽车渲染更加真实简单易懂产品与设计

2.8万

【逸风Ks】-超全的Keyshot产品渲染课程逸风C4D

5.7万

122

【MG康康】Keyshot11产品渲染教程，0基础入门教程MG康康

14.9万

513

沐风KeyShot2023 从入门到精通系列基础教程全方位所有功能讲解【界面、节点、材质、渲染、技巧】沐风keyshot

5.3万

Keyshot零基础系统入门渲染教程南风倦

6031

keyshot白色产品渲染教程工业设计沉思录

4.7万

47Keshot动画类型及动画面板的介绍桥梁abc

1415

Keyshot11产品渲染：无人机产品细腻表现希尔渲染

1.2万

最新KeyShot 2023正式版安装教程，KeyShot 12安装教程，有包自取云渲视觉

7.1万

Keyshot｜6分钟教会你渲染打光原理，打出三大面轻松出质感（0基础可学）炫炫停不下

2.1万

渲染软件KS10安装方法万老师Win

1725

【KeyShot8】工业产品渲染教程之基础入门教程蓝桥清月

1.2万

KeyShot7 简单粗暴短系列：新手5分钟，从材质到打光，充电器渲染教程Natt老师讲设计

17.9万

232

谁懂啊！这个keyshot万能场景库合集太好用了！12不是我

2.4万

展开

小窗

客服

顶部

赛事库课堂 2021

百度知道 - 信息提示

百度首页

商城

网页

资讯

视频

图片

知道

文库

贴吧采购

地图更多

搜索答案

我要提问

百度知道>提示信息

知道宝贝找不到问题了>_

该问题可能已经失效。返回首页

15秒以后自动返回

帮助

| 意见反馈

| 投诉举报

模型指标—KS - 知乎

模型指标—KS - 知乎切换模式写文章登录/注册模型指标—KS慕容然努力奔跑，方能轻步前行。Part 1. 直观理解区分度的概念在探索性数据分析（EDA）中，若想大致判断自变量x对于因变量y有没有区分度，我们常会分正负样本群体来观察该变量的分布差异，如图1所示。那么，如何判断自变量是有用的？直观理解，如果这两个分布的重叠部分越小，代表正负样本的差异性越大，自变量就能把正负样本更好地区分开。打个比方，想象这个变量就是一双手，把这两个分布往两边拉开。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好。图 1 - 正负样本变量分布差异对比Part 2. KS统计量的定义KS（Kolmogorov-Smirnov）统计量由两位苏联数学家A.N. Kolmogorov和N.V. Smirnov提出。在风控中，KS常用于评估模型区分度。区分度越大，说明模型的风险排序能力（ranking ability）越强。KS统计量是基于经验累积分布函数（Empirical Cumulative Distribution Function，ECDF)建立的，一般定义为： ks = \max\{|cum(bad\_rate) - cum(good\_rate)|\} \tag{1}Part 3. KS的计算过程及业务分析很多博客文章告诉我们，计算KS的常见方法是这样的：step 1. 对变量进行分箱（binning），可以选择等频、等距，或者自定义距离。step 2. 计算每个分箱区间的好账户数(goods)和坏账户数(bads)。step 3. 计算每个分箱区间的累计好账户数占总好账户数比率(cum_good_rate)和累计坏账户数占总坏账户数比率(cum_bad_rate)。step 4. 计算每个分箱区间累计坏账户占比与累计好账户占比差的绝对值，得到KS曲线。也就是： ks = |cum\_goodrate - cum\_badrate|step 5. 在这些绝对值中取最大值，得到此变量最终的KS值。为帮助大家理解，现以具体数据（非业务数据）展示这一过程，如图2所示。其中，total是每个分数区间里的样本量，total_rate为样本量占比；bad代表逾期，bad_rate为每个分数区间里的坏样本占比。图 2 - KS计算过程表那么，分析这张表我们可以得到哪些信息呢？模型分数越高，逾期率越低，代表是信用评分。因此，低分段bad rate相对于高分段更高， cum_bad_rate曲线增长速率会比cum_good_rate更快，cum_bad_rate曲线在cum_good_rate上方。每个分箱里的样本数基本相同，说明是等频分箱。分箱时需要考虑样本量是否满足统计意义。若我们设定策略cutoff为0.65（低于这个值的用户预测为bad，将会被拒绝），查表可知低于cutoff的cum_bad_rate为82.75%，那么将拒绝约82.75%的坏账户。根据bad_rate变化趋势，模型的排序性很好。如果是A卡（信用评分），那么对排序性要求就比较高，因为需要根据风险等级对用户风险定价。模型的KS达到53.1%，区分度很强。这是设定cutoff为0.65时达到的最理想状态。实际中由于需权衡通过率与坏账率之间的关系，一般不会设置在理想值。因此，KS统计量是好坏距离或区分度的上限。通常情况下，模型KS很少能达到52%，因此需要检验模型是否发生过拟合，或者数据信息泄漏。KS值的取值范围是[0，1]，一般习惯乘以100%。通常来说，KS越大，表明正负样本区分程度越好。KS的业务评价标准如图3所示。由于理解因人而异，不一定完全合理，仅供参考。图 3 - KS的评价标准(供参考)需要指出的是，KS是在放贷样本上评估的，放贷样本相对于全量申贷样本永远是有偏的。如果风控系统处于裸奔状态（相当于不生效，随机拒绝），那么这个偏差就会很小；反之，如果风控系统做得越好，偏差就会越大。因此，KS不仅仅只是一个数值指标，其背后蕴藏着很多原因，值得我们结合业务去认真分析。当KS不佳时，为了达到KS的预期目标，我们可以从哪些方面着手去优化呢？一般建议如下：检验入模变量是否已经被策略使用，使用重复变量会导致区分度不高。检验训练样本与验证样本之间的客群差异是否变化明显？样本永远是统计学习中的重要部分。开发对目标场景更具针对性的新特征。比如，识别长期信用风险，就使用一些强金融属性变量；识别欺诈风险，就使用一些短期负面变量。分群建模或分群测算。分群需要考虑稳定性和差异性。bad case分析，提取特征。若将表2数据可视化，就可以得到我们平时常见的KS曲线图（也叫鱼眼图），其中横坐标为模型概率分数（0～1），纵坐标为百分比（0～100%）。红色曲线代表累计坏账户占比，绿色曲线代表累计好账户占比，蓝色曲线代表KS曲线。图 4 - KS曲线至此，我们已经基本了解KS的计算流程、评价标准、业务指导意义和优化思路。接下来，再给大家留下几个思考题：为什么风控中常用KS指标来评价模型效果，而不用准确率、召回率等？最大KS值只是一个宏观结果，那么在不同cutoff内取到max时，模型性能有什么差异？一般情况下，KS越大越好，但为什么通常认为高于75%时就不可靠？Part 4. 风控中选用KS指标的原因分析风控建模时，我们常把样本标签分为GBIX四类，其中：G = Good（好人，标记为0），B = Bad（坏人，标记为1），I = Indeterminate （不定，未进入表现期），X = Exclusion(排斥，异常样本)。需要指出的是，Good和Bad之间的定义往往是模糊、连续的，依赖于实际业务需求。这里举两个例子或许能帮助大家理解：例1：模糊性对于12期信贷产品，如果设定表现期为前6期，S6D15（前6期中任意一期逾期超过15天）就是1，否则为0；但是后来如果把表现期调整为前3期，那么对于“前3期都正常还款，但4～6期才发生逾期并超过15天“的这部分样本而言，原本所定义的label就从1就变成0了。因此，业务需求的不同，导致标签定义不是绝对的。例2：连续性定义首期逾期超过30天为1，否则为0。但是，逾期29天和逾期31天的用户之间其实并没有不可跨越的硬间隔，逾期29天的用户可能会进一步恶化为逾期31天。由于逾期的严重程度定义本身就带有一定的主观性，我们很难说逾期天数差几天有多少本质的差异，所以哪怕我们为了转化为分类问题做了硬性的1和0的界限定义，但在业务上理解还是一个连续问题。因此在风控中，y的定义并不是非黑即白（离散型），而用概率分布（连续型）来衡量或许更合理。我们通常用概率分布来描述这种模糊的软间隔概念，也倾向于使用LR这种概率模型，而不是SVM这种以边界距离作为优化目标的模型。那为什么选择KS指标呢？——KS指标倾向于从概率角度衡量正负样本分布之间的差异。正是因为正负样本之间的模糊性和连续性，所以KS也是一条连续曲线。但最终为什么取一个最大值，主要原因是提取KS曲线中的一个显著特征，从而便于相互比较。Part 5. ROC曲线的几何绘制及理解在风控场景中，样本不均衡问题非常普遍，一般正负样本比都能达到1：100甚至更低。此时，评估模型的准确率是不可靠的。因为只要全部预测为负样本，就能达到很高的准确率。例如，如果数据集中有95个猫和5个狗，分类器会简单的将其都分为猫，此时准确率是95%。因此，我们更倾向于用混淆矩阵来评估模型分类效果。图 5 - 混淆矩阵真阳率：TPR = \frac{TP}{Positive} = \frac{TP}{TP + FN} ——抓对了假阳率：FPR = \frac{FP}{Negative} = \frac{FP}{FP + TN}——抓错了为简化考虑，我们的风控系统只有一个信用评分模型，那么高于分数阈值就预测为good，反之为bad，予以拒绝。我们一般追求更高的TPR，也就是"抓对了"；以及更低的FPR，也就是"抓错了"。抓对了和抓错了——是在模型决策的一念之间（不同的分数阈值），因此我们会设置不同的阈值来观察这种变化规律。在建立混淆矩阵的概念后，接下来介绍ROC曲线的绘制方法（后面将会以ROC曲线来辅助我们理解KS曲线）。step 1. 先按分数升序排列，计算某个阈值T下分数区间[0，T]内的TPR和FPR。可以把TPR理解为累积正样本率(cum_bad_rate)，FPR理解为累积负样本率(cum_good_rate)。图 6 - TPR曲线绘制过程step 2. 重复step1多次，在不同阈值T下计算得到多个TPR和FPR。step 3. 以FPR为横轴，TPR为纵轴，画出ROC曲线（如图7）。曲线下方的面积即为AUC值。图 7 - ROC曲线我们该如何理解ROC曲线？如果模型没有任何排序性，那么正样本在每个分数区间上均匀分布。此时，无论如何设置阈值，[0，阈值]这个分数区间内TPR将与区间长度成正比关系，所以就是对角线。如果希望TPR尽可能高，FPR尽可能低，我们可以设计一个目标函数，这与KS的定义完全相同。ks = \max (|TPR-FPR|) \tag{2}Part 6. 从几何角度解释KS与ROC的关系为了更加直观展示KS和ROC曲线的关系，我们将添加以下辅助线，从而得到图8，其中包含4张子图。辅助曲线：TPR（图8左上）、FPR（图8右下）。辅助直线：红线为取得max_ks时的cum_bad_rate，绿线为取得max_ks时的cum_good_rate，蓝线为max_ks。灰线BR为ROC曲线在R点的切线，且与对角线OD平行。图 8 - 左上—TPR，右上—ROC，左下—KS，右下—FPR在添加辅助线后，可以得到以下关键数据点的坐标信息：为什么要在R点加上一条切线？这是因为KS = |TPR - FPR|，如果添加辅助线TPR = FPR + KS，那么这条直线的截距就是KS值。当与ROC曲线相切时，截距最大，也就对应max_ks。从几何意义上，KS曲线和ROC曲线的映射关系如下：另外可以从图中得出这些信息：若希望KS尽可能大，那么R需要尽可能接近（0，1），此时AUC一般也会增大。对于相同的KS值，在KS曲线上有两个选择，但TPR和FPR同时大或同时小。虽然我们的目的通常是抓对更多的坏人（TPR⬆），尽可能减少错抓的好人（FPR⬇），但两者需要trade-off。到底选择哪个阈值，取决于业务目标：是希望对bad有更高的召回，还是对good有更低的误伤？由于KS只是在一个最大分隔点时的值，并不够全面。通常我们也会同时参考KS和AUC（或Gini）在理解KS和ROC曲线的关系后，我们也就更容易理解——为什么通常认为KS在高于75%时就不可靠？我们可以想象，如果KS达到80%以上，此时ROC曲线就会变得很畸形，如图9所示。另一个更重要的可能原因是，为了便于制定策略，模型评分在放贷样本上一般要求服从正态分布。如果出现这种明显的双峰分布，就不太符合业务sense。（值得一起探讨）图 9 - 不同分布下的ROC曲线Part 7. KS检验的理解应用KS检验（Kolmogorov-Smirnov Test）是一种根据样本来推断总体是否服从某种分布的方法，因此也可以用来检验两个经验分布是否服从同一总体分布。我们可以定义以下假设检验命题：原假设H0 ：好人、坏人的分数分布服从同一总体分布备择假设H1：好人、坏人的分数分布不服从同一总体分布如果得到的p-value比指定的显著水平（假设为5%）小，那么我们就可以拒绝原假设，认为两个分布不服从同一总体分布。Part 8. KS的计算代码（Python）def ks_compute(proba_arr, target_arr):

'''

----------------------------------------------------------------------

功能：利用scipy库函数计算ks指标

----------------------------------------------------------------------

:param proba_arr: numpy array of shape (1,), 预测为1的概率.

:param target_arr: numpy array of shape (1,), 取值为0或1.

----------------------------------------------------------------------

:return ks_value: float, ks score estimation

----------------------------------------------------------------------

示例：

>>> ks_compute(proba_arr=df['score'], target_arr=df[target])

>>> 0.5262199213881699

----------------------------------------------------------------------

'''

from scipy.stats import ks_2samp

get_ks = lambda proba_arr, target_arr: ks_2samp(proba_arr[target_arr == 1], \

proba_arr[target_arr == 0]).statistic

ks_value = get_ks(proba_arr, target_arr)

return ks_value发布于 2020-05-14 12:23计量经济学回归模型统计赞同 413 条评论分享喜欢收藏申请

昆山市人民政府

繁體

APP

智能问答

无障碍

适老版

热点搜：便民服务政务公开便民查询

首页

昆山概览

新闻动态

信息公开

政务服务

政民互动

数据开放

我们能为您做什么？

人社网办大厅

昆山市人力资源服务机构全员信息登记平台

昆山智慧教育云平台

学区查询

社会救助信息

公积金查询

天地图·昆山

挂号预约

居民健康信息查询

信用查询

“亭桥鹤”一体化高质量发展政务服务圈启动

“亭桥鹤”一体化高质量发展政务服务圈日前正式启动三地将共同推深做实“亭桥鹤”毗邻区域政务服务圈机制让“亭桥鹤”政务服务圈在一体化高质量发展道路上相互赋能、共创未来三项“亭桥鹤”政务...

影响营商环境建设问题线索征集

@国务院我为政府工作报告提建议

2023年度国务院推动高质量发展综合督查问题线索征集

重要政策举措及实施效果

国务院“互联网+督查”平台公开征集阻碍民营经济发展壮大问题线索

社会主义核心价值观

人民有信仰国家有力量民族有希望

江苏全力推动经济运行率先整体好转

“全民反诈 1+6”公益宣传片

政声传递

昆山要闻

公示公告

更多>>

2024-03

昆山市第二期“助企直通”政企恳谈会召开

3月6日，市委副书记、市长陈丽艳主持召开昆山市第二期“助企直通...

2024-03

昆山数字生活中来了一群“小巧灵”！

3月5日，“小巧灵”数字化应用路演暨数智昆山政企恳谈会在昆山杜...

2024-03

昆山约你“上春山”！

“二月天杨柳醉春烟，三月三来山青草漫漫，最美是人间四月的天，...

2024-03

周伟陈丽艳分别以“四不两直”方式督查消防安全工作

3月4日，市委书记周伟，市委副书记、市长陈丽艳分别率队以“四不...

2024-03

昆山召开青年工作联席会议第七次全体（扩大）会议

3月2日，我市召开青年工作联席会议第七次全体（扩大）会议暨青年...

更多>>

2024-02

关于征集影响营商环境建设问题线索的公告

2024-03

昆山昱庭公益基金会负责人任职前公示

为进一步加强对社会组织负责人任职监督，根据社会组织相关法规和...

2024-03

社会组织负责人任职前公示

为进一步加强对社会组织负责人任职监督，根据社会组织相关...

2024-03

昆山极昼网咖申请《网络文化经营许可证》公示

本单位于近日受理昆山极昼网咖提出的互联网上网服务营业场所设立...

2024-03

关于昆山市推广应用新能源巡游出租车运营补贴专项奖励资金（第二批）的公示

根据《昆山市推广应用新能源巡游出租车运营补贴方案》（昆交〔20...

更多>>

政务服务

信息公开

政民互动

政务服务

个人服务

生育收养

户籍办理

民族宗教

教育科研

就业创业

设立变更

准营准办

职业资格

行政缴费

婚姻登记

优待抚恤

规划建设

住房保障

社会保障

证件办理

交通出行

法人服务

设立变更

准营准办

资质认证

年检年审

税收财务

人力资源

社会保障

投资审批

抵押质押

商务贸易

招标拍卖

农林牧渔

国规建设

交通运输

环保绿化

水务气象

部门服务

消防大队

市税务局

新闻出版局

市资规局

市盐务局

市档案馆

市金融办

市保密局

市委编办

市统计局

市审计局

市卫健委

市商务局

市水务局

市财政局

市司法局

信息公开

市政府及办公室文件

政府常务会议

市政府第50次常务会议纪要

2024-03-06

市政府关于印发2024年昆山市民生实事项目的通知

2024-03-06

市政府第49次常务会议纪要

2024-03-06

市政府办公室关于印发昆山市老城区2024年度房屋征收（搬迁）房票安置实施细则（试行）的通知

2024-02-27

市政府关于公布昆山市实施市容环卫管理区域范围、主要道路（街道）和重点地区的通知

2024-02-23

更多>>

市政府第46次常务会议纪要

2023-12-18

市政府第45次常务会议纪要

2023-11-17

市政府第44次常务会议纪要

2023-11-16

市政府第43次常务会议纪要

2023-10-27

市政府第42次常务会议纪要

2023-10-08

更多>>

政策文件

政策解读

市委办公室市政府办公室关于印发加快建设制造强市实施方案的通知

2024-01-26

药品经营和使用质量监督管理办法

2024-01-26

昆山市中小学心理健康教育发展工作实施方案

2024-01-17

市政府办公室关于印发昆山市创新联合体建设实施意见的通知

2024-01-11

市政府办公室关于进一步加强电梯安装环节安全生产工作的通知

2024-01-10

更多>>

一图读懂 | 药品经营和使用质量监督管理办法

2024-01-29

图片解读《加快建设制造强市实施方案》

2024-01-26

关于《加快建设制造强市实施方案》的政策解读

2024-01-26

《药品经营和使用质量监督管理办法》政策解读

2024-01-26

图解：昆山市中小学心理健康教育发展工作实施方案

2024-01-17

更多>>

领导信息

依申请公开

法定主动公开内容

信息公开指南

信息公开制度

信息公开年度报告

政民互动

新闻发布会

往期回顾

见义勇为表彰新闻通气会

时　间：

2023年11月15日

地　点：

昆山市公安局1号楼3楼会议室

查看详情

“基于价值实现的全链式工伤预防体系”建设推进会暨昆山市互联网+工伤预防服务管理平台1.0发布仪式活动

2023年戏曲百戏（昆山）盛典新闻发布会

昆山公安创新构建“全程预警”精准劝阻防线新闻通气会

昆山市公安局“云调解”平台一年新闻通气会

关于保要素、争订单、优服务、促发展新年开新局的若干政策措施发布会

更多>>

书记信箱

市长信箱

公众监督

网上信访

民意调查

直播预告

行风热线

统计局邀请您为提高统计工作服务水平献计献策

2024-03-05

周庄镇贞丰“阿婆菜”家庭传承推广人征集

2024-02-27

关于2023年度昆山海绵城市建设满意度问卷调查

2024-02-26

2024昆山户外劳动者风采摄影作品征集

2024-02-19

“龙年·我在淀山湖”摄影作品征集

2024-01-29

更多>>

用心用情写好住房安居民生答卷

2023-12-15

奋进昆山服务新征程构筑营商环境新高地

2023-12-08

贯彻二十大奋进新征程接续奋斗提升百姓健康福祉

2023-12-01

织密县域流通服务网络提升现代流通服务水平

2023-11-24

凝心聚力深耕学科发展新院起航升级服务硬核实力

2023-11-17

更多>>

用心用情写好住房安居民生答卷

2023-12-15

奋进昆山服务新征程构筑营商环境新高地

2023-12-08

贯彻二十大奋进新征程接续奋斗提升百姓健康福祉

2023-12-01

织密县域流通服务网络提升现代流通服务水平

2023-11-24

凝心聚力深耕学科发展新院起航升级服务硬核实力

2023-11-17

更多>>

信件统计

答问知识库

专题专栏

昆山元宇宙产业园开园仪式

江苏省法规规章规范性文件数据库

昆山市第五次全国经济普查

2023年戏曲百戏（昆山）盛典

舞动盛夏！张浦镇全民健身广场舞比赛热力开赛

“樱你来共精彩”昆山开发区投资说明会专题

昆山旅游度假区召开经济高质量发展推进大会

全力打造先进计算产业创新集群

敢闯敢干加油跑聚力前行新赛道

昆山总工会文艺进机关

苏州辖市(区)网站

江苏省设区市网站

省(区市)政府网站

国务院及其部门网站

张家港市人民政府

常熟

市人民政府

太仓

市人民政府

吴江

区人民政府

吴中区人民政府

相城区人民政府

姑苏区人民政府

苏州工业园区管委会

苏州高新区管委会（虎丘区人民政府）

南京

无锡

徐州

常州

苏州

南通

连云港

淮安

盐城

扬州

镇江

泰州

宿迁

北京市

天津市

河北省

内蒙古自治区

辽宁省

吉林省

黑龙江省

上海市

江苏省

浙江省

安徽省

福建省

江西省

山东省

河南省

湖北省

湖南省

广东省

广西壮族自治区

海南省

重庆市

四川省

贵州省

云南省

西藏自治区

陕西省

甘肃省

宁夏回族自治区

新疆维吾尔自治区

澳门特别行政区

台湾

中央人民政府

外交部

国防部

国家发展和改革委员会

教育部

科学技术部

工业和信息化部

国家民族事务委员会

公安部

民政部

司法部

财政部

人力资源和社会保障部

生态环境部

住房和城乡建设部

交通运输部

水利部

农业农村部

商务部

文化和旅游部

退役军人事务部

应急管理部

人民银行

审计署

国家航天局

国家原子能机构

国家核安全局

国务院国有资产监督管理委员会

海关总署

国家税务总局

国家市场监督管理总局

国家广播电视总局

国家体育总局

国家统计局

国家国际发展合作署

国务院参事室

国家机关事务管理局

国家认证认可监督管理委员会

国家标准化管理委员会

国家新闻出版署（国家版权局）

国务院港澳事务办公室

国务院研究室

国务院侨务办公室

国务院台湾事务办公室

国家互联网信息办公室

国务院新闻办公室

新华通讯社

中国科学院

中国社会科学院

中国工程院

国务院发展研究中心

中国气象局

中国银行保险监督管理委员会

中国证券监督管理委员会

国家信访局

国家粮食和物资储备局

国家能源局

国家国防科技工业局

国家烟草专卖局

国家移民管理局

国家林业和草原局

国家铁路局

中国民用航空局

国家邮政局

国家文物局

国家中医药管理局

国家外汇管理局

国家药品监督管理局

国家公园管理局

国家档案局

国家密码管理局

主办单位：昆山市人民政府办公室

承办单位：昆山市大数据资源管理中心

联系我们|网站地图

苏ICP备05030216号网站支持IPV6

网站标识码：3205830040

苏公网安备

32058302001534号

昆山政务新媒体矩阵

推荐使用1024*768或以上分辨率，并使用IE9.0或以上版本浏览器。网站支持IPV6

百度知道 - 信息提示

百度首页

商城

网页

资讯

视频

图片

知道

文库

贴吧采购

地图更多

搜索答案

我要提问

百度知道>提示信息

知道宝贝找不到问题了>_

该问题可能已经失效。返回首页

15秒以后自动返回

帮助

| 意见反馈

| 投诉举报

一文读懂Ka/Ks - 知乎

一文读懂Ka/Ks - 知乎首发于生物信息学切换模式写文章登录/注册一文读懂Ka/KsBiliang研究生物的码农什么是Ka/KsThe ratio of the number of nonsynonymous substitutions per nonsynonymous site (Ka) to the number of synonymous substitutions per synonymous site (Ks)。Ka/Ks表示非同义替换位点替换次数(Ka)与同义替换位点替换次数(Ks)的比值。没听懂，再说一遍？首先，假如你正在比对两个物种的一对同源基因序列。进化的力量通常使得这两条DNA序列有些差异。我们都知道密码子有简并性的特性，因此有的差异会导致翻译出不同的氨基酸（非同义突变，nonsynonymous changes），有的因为同义密码子的存在产生了相同的氨基酸（同义突变，synonymous changes）。统计出这两条序列之间发生的非同义与同义替换的所有次数，我们就可以观察到序列的变化情况了。接下来就是对数据做些调整了。我已经明白了，现在有了序列的进化情况，为什么还要做调整？由于密码子的简并性，我们的序列中大概只有25%是同义突变的。假设基因并没有受到选择，也就是发生的是中性进化，基因的任何一个突变从稀有变成共有的机会是相同的，并不受其它外界因素的影响。大多数的突变的消失都是随机的，但是我们假设种群大小是N，一个等位基因刚刚通过突变而出现在种群中，那么它在2N个等位基因的种群中固定的可能性是p=1/(2N)（详见遗传漂变）。在上面的例子中，每一个突变被固定的概率是一样的，那么发生非同义突变的可能性与发生同义突变的可能性也是一样的。所以，在中性进化的背景下，如果我们对密码子的简并性进行矫正后，就应该有一种方法得出非同义突变的次数等于同义突变的次数，即Ka/Ks=1。因为Ks可以告诉我们进化的背景速度，因此偏离1的比例将告诉我们作用于蛋白上面的选择情况。听起来是不是很简单？很遗憾，并不是的。举个栗子，对于编码天冬氨酸和赖氨酸的密码子：他们都起始于AA，赖氨酸结束于A或者G，天冬氨酸结束于T或者C。所以如果C突变成T的机率大于C突变成A或G（通常就是这样子滴），那么第三个位置上的突变更可能是同义突变。因此许多计算Ka/Ks的方法，考虑到这部分因素，使用了的不同的转换模型，也会使得最后的Ka/Ks值有些不同。需要考虑两个物种分离后的时间吗？好问题！由于序列随着时间会不断的变化，因此我们观察到的变化次数可能小于实际发生的变化次数。如果一个碱基最开始是A，在一个分支中，他被替换成了C，然后又被替换成了T，然后在我们的比对结果上面只能看到一次替换。同样，可能我们看到的完全比对上位点，也可能已经替换了很多次，只不过最后变成了原来的碱基。幸运的是，实际的分歧程度可以从观察到的总的分歧程度来估算。然而，没有人能完美的解决这个问题：随着变化数量的增加，来自于对齐序列的那部分信息将会减少，并逐渐接近于饱和，在这种情况下数据是没用的，得到的结果也是不准确的。因此计算Ka/Ks时，遗传距离较近的序列往往得到的结果更准确。OK，我已经得到了Ka和Ks值，然后呢？Well，你现在已经有了表征蛋白进化次数的值（Ka）。假设进化选择并不出现在silent site（发生同义突变可能性很低的位点），从进化的中性理论来看，Ks值应该与基因的突变率成正比。这是因为，假设μ是每代的中性突变率，虽然新的中性突变进入固定的概率是1 / 2N，但是它们以2Nμ的速率每代产生，因此中性进化的速率应该是2Nμ/2N = μ，这个值就是Ka所表征的。如果这样去计算，那么Ka与Ks的比值也告诉了我们基因进化的方式。从图中，我们发现通常Ka是小于Ks。因为改变蛋白质的突变在两个物种之间的差异远小于沉默的物种。也就是说，在大多数的情况下，选择消除了有害突变，并保持蛋白质不变（即纯化选择，purifyingselection）。在少数情况下（通常当免疫系统基因与寄生虫共同进化时），我们发现Ka远大于Ks（即Ka / Ks >> 1）。这是有力的证据表明选择已经改变了蛋白质（正向选择，positive selection）。我明白了，如果Ka等于Ks，那么序列的进化肯定是中性的？没那么简单。中性进化是一种不可排除的可能性。但是，如果该基因的一部分（例如一个蛋白质结构域）处于正选择状态，而其他部分处于净化选择范围内，那么你也会得到Ka/Ks等于1的结果。不过，也有很多方法可以容许进行多序列比对之后，通过考虑物种的系统发育，计算出序列中每个codon的Ka/Ks（位点模型）。另外，可以检测基因在一个谱系中是否存在不同的比率，这表明该物种特有的事情发生了（分支模型）。这些分析方法能揭示出更多的正向选择，提供了更多的分析方向。该怎么把我的序列比对结果转化成Ka/Ks值呢？现在已经有很多种不同的方法供我们选择，最常用最方便的是MEGA。当然老牌的杨子恒老师的PAML也同样十分优秀。Hyphy软件除了提供全局的Ka/Ks计算外，也支持分支位点等各种模型，不过我比较喜欢Hyphy的一点是可以多线程计算。这些软件的使用方法我会在之后的文章中具体给出。。欢迎关注微信公共账号：生物信息学 (swxxx1)编辑于 2019-12-14 23:29自然科学生物信息学进化生物学赞同 2314 条评论分享喜欢收藏申请转载文章被以下专栏收录生物

Kolmogorov-Smirnov test (K-S 检验） - 知乎

Kolmogorov-Smirnov test (K-S 检验） - 知乎首发于AI/ML小站切换模式写文章登录/注册Kolmogorov-Smirnov test (K-S 检验）obisidian终身学习做为一个数据科学家，在工作中时常会做一些统计假设检验，来检测数据是不是满足一定的统计分布。Kolmogorov-Smirnov test是一个有用的非参数（nonparmetric）假设检验，主要是用来检验一组样本是否来自于某个概率分布（one-sample K-S test），或者比较两组样本的分布是否相同（two-sample K-S test）。先介绍一下one-sample K-S test，two-sample K-S test类似。假设我们有观测值X1， X2，。。。，Xn，我们认为这些值来自某个分布P。K-S test用来检验H0:样本来自于PH1:样本不来自于P随机变量X的cumulative distribution function F(x)为 F(x)=P(X\leq x) 。Cumulative distribution function唯一地描述了一个概率分布。对于观测值X1， X2，。。。，Xn，它们的经验分布函数（empirical distribution function）F_{obs}(x) = \frac{nums\space of\space observations\space below\space x}{observations} 如果我们把所有的observation排个序，得到y1， y2，。。。，yn，那么F_{obs}(y_{i})=\frac{i}{n} 接下来需要做的是，把得到的empirical distribution function和null hypothesis中的cumulative distribution function（记做 F_{exp} )进行比较。K-S statistic（检验统计量）是 D_{n}=max|F_{exp}(x)-F_{obs}| 举一个例子来说明。我们有10个数据点：108， 112， 117， 130， 111， 131， 113， 113， 105， 128。我们想知道，这些点是否来自平均值是120，标准差是10的正态分布？首先进行排序。105， 108，111，112， 113， 113， 117， 128， 130， 131。计算 F_{obs} 和 F_{exp} 。其中 F_{exp}(y_{1})=P(X\leq105) = p(Z\leq\frac{105-120}{10}=P(Z\leq-1.5)=0.0668 从上面的表个中可以看到， D_{n} 的最大值是0.358。从表格（见附录）中可以查出，在 \alpha =0.10的时，critical value是0.37。因为0.358小于0.37，所以我们不拒绝null hypothesis。Two-sample KS test接下来介绍一下two-sample KS test。Two-sample KS test回答这个问题：给定两组样本，检测是否他们的分布是否一样？H0：两组样本的分布一样H1：两组样本的分布不一样仍然举例来说明。假设我们有以下两组样本：X：1.2， 1.4， 1.9， 3.7， 4.4，4.8，9.7，17.3，21.1，28.4Y：5.6，6.5，6.6，6.9，9.2，10.4，10.6，19.3先把两组样本合在一块，进行排序，再计算culumative emperical cdf。K-S statistic（检验统计量）仍然是 D_{n}=max|F_{exp}(x)-F_{obs}| 这里 D_{n}=0.6 对于两样本，95%的critical value的计算公式为：D_{crit,0.05}=1.36\sqrt{\frac{1}{n_{x}}+\frac{1}{n_{y}}} =0.645因为0.6<0.645，所以我们不拒绝原假设。附录：Reference:1) Lesson 22: Kolmogorov-Smirnov Goodness-of-Fit Test2) Real Statistics Using Excel3) http://www.stats.ox.ac.uk/~massa/Lecture%2013.pdf编辑于 2020-11-27 02:42统计赞同 20916 条评论分享喜欢收藏申请转载文章被以下专栏收录AI/ML小站记录AI，ML学习

一文完全理解模型ks指标含义并画出ks曲线（包含代码和详细解释）「建议收藏」-腾讯云开发者社区-腾讯云

理解模型ks指标含义并画出ks曲线（包含代码和详细解释）「建议收藏」-腾讯云开发者社区-腾讯云全栈程序员站长一文完全理解模型ks指标含义并画出ks曲线（包含代码和详细解释）「建议收藏」关注作者腾讯云开发者社区文档建议反馈控制台首页学习活动专区工具TVP最新优惠活动文章/答案/技术大牛搜索搜索关闭发布登录/注册首页学习活动专区工具TVP最新优惠活动返回腾讯云官网全栈程序员站长首页学习活动专区工具TVP最新优惠活动返回腾讯云官网社区首页 >专栏 >一文完全理解模型ks指标含义并画出ks曲线（包含代码和详细解释）「建议收藏」一文完全理解模型ks指标含义并画出ks曲线（包含代码和详细解释）「建议收藏」全栈程序员站长关注发布于 2022-07-22 11:08:572.8K0发布于 2022-07-22 11:08:57举报文章被收录于专栏：全栈程序员必看全栈程序员必看大家好，又见面了，我是你们的朋友全栈君。 KS(Kolmogorov-Smirnov)：KS用于模型风险区分能力进行评估，指标衡量的是好坏样本累计分部之间的差值。

好坏样本累计差异越大，KS指标越大，那么模型的风险区分能力越强。

k s = m a x ( C u m . B i B a d t o t a l − C u m . G i G o o d t o t a l ) ks = max(\frac{Cum. B_i}{Bad_{total}} – \frac{Cum.G_i}{Good_{total}}) ks=max(BadtotalCum.Bi−GoodtotalCum.Gi)上面是ks的简单介绍，相信大家看了这几句话和一个公式，肯定还是不懂ks到底是个什么。我也是研究了一下，终于搞清楚了ks的具体计算方式。搞清楚了计算方式后，ks的含义自然就清楚了。

下面我会详细讲解实现方法，相信如果你看完本文章，肯定可以理解ks。以下内容均为个人纯手打，难免有些疏漏，如有错误，请大家指出。本文会介绍两种计算ks的方法：

第一种是我自己手动写代码实现的，可以帮助你理解ks含义；

第二种是sklearn模块里面的roc_curve函数计算，通过第一种方法理解了ks后，实际应用中使用第二种方法，更方便。ks的计算流程话不多说，先看代码，后面会解释代码，顺便解释清楚ks含义。import numpy as np

import pandas as pd

def ks(df, y_true, y_pre, num=10, good=0, bad=1):

# 1.将数据从小到大平均分成num组

df_ks = df.sort_values(y_pre).reset_index(drop=True)

df_ks['rank'] = np.floor((df_ks.index / len(df_ks) * num) + 1)

df_ks['set_1'] = 1

# 2.统计结果

result_ks = pd.DataFrame()

result_ks['group_sum'] = df_ks.groupby('rank')['set_1'].sum()

result_ks['group_min'] = df_ks.groupby('rank')[y_pre].min()

result_ks['group_max'] = df_ks.groupby('rank')[y_pre].max()

result_ks['group_mean'] = df_ks.groupby('rank')[y_pre].mean()

# 3.最后一行添加total汇总数据

result_ks.loc['total', 'group_sum'] = df_ks['set_1'].sum()

result_ks.loc['total', 'group_min'] = df_ks[y_pre].min()

result_ks.loc['total', 'group_max'] = df_ks[y_pre].max()

result_ks.loc['total', 'group_mean'] = df_ks[y_pre].mean()

# 4.好用户统计

result_ks['good_sum'] = df_ks[df_ks[y_true] == good].groupby('rank')['set_1'].sum()

result_ks.good_sum.replace(np.nan, 0, inplace=True)

result_ks.loc['total', 'good_sum'] = result_ks['good_sum'].sum()

result_ks['good_percent'] = result_ks['good_sum'] / result_ks.loc['total', 'good_sum']

result_ks['good_percent_cum'] = result_ks['good_sum'].cumsum() / result_ks.loc['total', 'good_sum']

# 5.坏用户统计

result_ks['bad_sum'] = df_ks[df_ks[y_true] == bad].groupby('rank')['set_1'].sum()

result_ks.bad_sum.replace(np.nan, 0, inplace=True)

result_ks.loc['total', 'bad_sum'] = result_ks['bad_sum'].sum()

result_ks['bad_percent'] = result_ks['bad_sum'] / result_ks.loc['total', 'bad_sum']

result_ks['bad_percent_cum'] = result_ks['bad_sum'].cumsum() / result_ks.loc['total', 'bad_sum']

# 6.计算ks值

result_ks['diff'] = result_ks['bad_percent_cum'] - result_ks['good_percent_cum']

# 7.更新最后一行total的数据

result_ks.loc['total', 'bad_percent_cum'] = np.nan

result_ks.loc['total', 'good_percent_cum'] = np.nan

result_ks.loc['total', 'diff'] = result_ks['diff'].max()

result_ks = result_ks.reset_index()

return result_ks复制接下来看一下生成的 result_ks 结果，如下图，代码和结果结合起来看更容易理解：

result_ks

讲解之前先说一下函数中各个参数的含义。df 是pandas的DataFrame表，表中必须包含两列：预测值和真实值。

预测值即模型预测的结果，一般为范围在0~1之间的概率值；

真实值是实际的好坏用户的label，一般为0或1，代表着好用户或者坏用户。

本文中使用的df前几列如下图。

y_true是真实值在df表中的列名，此处为“label”；

y_pre是预测值在df表中的列名，此处为“score”；

num是需要分组的数量，具体含义后面会说；

good和bad是真实值中0和1代表的含义，如果好用户用0表示，那么good=0、bad=1，反之亦然。下面按照代码中的注释分步讲解。先将df按照score列从小到大进行排序。排序完成后，如果num=10，则将所有的样本划分为10个区间，新增rank列，此列对每个区间从上到下使用1~10个数字标记。为了方便之后求和统计，新增set_1列，此列所有值均为1；对score列进行统计，group_sum为每个区间的个数，相应的max、min、mean为区间的最大值、最小值和平均值；在最后新增一行total，进行整列数据的统计；好用户统计，good_sum列中计算了每个区间的好用户数量，good_percent列中则是每个区间的好用户数占全部好用户数的比例。最重要的是计算good_percent_cum，计算各行的累加值占好用户数量的比例，不理解的话建议搜索cumsum好好看看。其实这里计算的good_percent_cum就是就是在不同阈值下的TPR，true positive rate；坏用户统计，与好用户计算方法一致，bad_percent_cum计算的是不同阈值下的FPR，false positive rate；diff列中保存bad_percent_cum - good_percent_cum的结果，两列的差值的最大值即为ks；最后更新一下total中的内容。以上就是ks的全部计算步骤，其实结果生成那么多列，大部分都是帮助理解数据结构，真正用于计算的也就是good_percent_cum、bad_percent_cum这两列，ks其实也是max(df['good_percent_cum'] - df['bad_percent_cum'])。ks越大，表示计算预测值的模型区分好坏用户的能力越强。ks值含义> 0.3模型预测性较好0,2~0.3模型可用0~0.2模型预测能力较差< 0模型错误ks曲线绘制import matlibplot.pyplot as plt

import seaborn as sns

sns.set()

def ks_curve(df, num=10):

# 防止中文乱码

plt.rcParams['font.sans-serif']=['SimHei']

plt.rcParams['axes.unicode_minus']=False

ks_value = df['diff'].max()

# 获取绘制曲线所需要的数据

x_curve = range(num + 1)

y_curve1 = [0] + list(df['bad_percent_cum'].values[:-1])

y_curve2 = [0] + list(df['good_percent_cum'].values[:-1])

y_curve3 = [0] + list(df['diff'].values[:-1])

# 获取绘制ks点所需要的数据

df_ks_max = df[df['diff'] == ks_value]

x_point = [df_ks_max['rank'].values[0], df_ks_max['rank'].values[0]]

y_point = [df_ks_max['bad_percent_cum'].values[0], df_ks_max['good_percent_cum'].values[0]]

# 绘制曲线

plt.plot(x_curve, y_curve1, label='bad', linewidth=2)

plt.plot(x_curve, y_curve2, label='good', linewidth=2)

plt.plot(x_curve, y_curve3, label='diff', linewidth=2)

# 标记ks

plt.plot(x_point, y_point, label='ks - {:.2f}'.format(ks_value), color='r', marker='o', markerfacecolor='r', markersize=5)

plt.scatter(x_point, y_point, color='r')

plt.legend()

plt.show()

return ks_value复制运行下面代码，得到ks曲线图result_ks = ks(df, 'label', 'score')

ks_curve(result_ks)复制ks curveroc_curve函数实现上面说了计算ks其实只用得到关键的两列，而这两列可以通过sklearn.metrics中函数roc_curve直接获取。

下面代码中，ks_value即为ks值。from sklearn.metrics import roc_curve

fpr, tpr, thresholds= roc_curve(df.label, df.score)

ks_value = max(abs(fpr-tpr))

# 画图，画出曲线

plt.plot(fpr, label='bad')

plt.plot(tpr, label='good')

plt.plot(abs(fpr-tpr), label='diff')

# 标记ks

x = np.argwhere(abs(fpr-tpr) == ks_value)[0, 0]

plt.plot((x, x), (0, ks_value), label='ks - {:.2f}'.format(ks_value), color='r', marker='o', markerfacecolor='r', markersize=5)

plt.scatter((x, x), (0, ks_value), color='r')

plt.legend()

plt.show()复制ks curve

最后，讲另外一种画法。ks_value = max(abs(fpr-tpr))

# 画图，画出曲线

plt.plot(fpr, tpr)

plt.plot([0,1], [0,1], linestyle='--')

# 标记ks

x = np.argwhere(abs(fpr-tpr) == ks_value)[0, 0]

plt.plot([fpr[x], fpr[x]], [fpr[x], tpr[x]], linewidth=4, color='r')

# plt.scatter((x, x), (0, ks_value), color='r')

plt.xlabel('False positive', fontsize=20)

plt.ylabel('True positive', fontsize=20)

plt.show()复制ks_curve2X轴的含义看两张ks图，X轴的含义其实是区间序号，第一张图划分了10个区间，所以X轴是0~10。

第二个sklearn会根据你的数据大小进行划分区间，这里我使用的数据量比较大，划分了600个区间计算的，所以X轴范围是0~600。本文引用：

神秘的KS值和GINI系数发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/125470.html原文链接：https://javaforall.cn本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。原始发表：2022年4月5，如有侵权请联系 cloudcommunity@tencent.com 删除前往查看curvelabelmaxrocsum本文分享自作者个人站点/博客前往查看如有侵权，请联系 cloudcommunity@tencent.com 删除。本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！curvelabelmaxrocsum评论登录后参与评论0 条评论热度最新登录后参与评论推荐阅读LV.关注文章0获赞0目录ks的计算流程ks曲线绘制roc_curve函数实现X轴的含义领券社区专栏文章阅读清单互动问答技术沙龙技术视频团队主页腾讯云TI平台活动自媒体分享计划邀请作者入驻自荐上首页技术竞赛资源技术周刊社区标签开发者手册开发者实验室关于社区规范免责声明联系我们友情链接腾讯云开发者扫码关注腾讯云开发者领取腾讯云代金券热门产品域名注册云服务器区块链服务消息队列网络加速云数据库域名解析云存储视频直播热门推荐人脸识别腾讯会议企业云CDN加速视频通话图像分析MySQL 数据库SSL 证书语音识别更多推荐数据安全负载均衡短信文字识别云点播商标注册小程序开发网站监控数据迁移Copyright © 2013 - 2024 Tencent Cloud. All Rights Reserved. 腾讯云版权所有深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569腾讯云计算（北京）有限责任公司京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档Copyright © 2013 - 2024 Tencent Cloud.All Rights Reserved. 腾讯云版权所有登录后参与评论00

一文完全理解模型ks指标含义并画出ks曲线（包含代码和详细解释）-CSDN博客

一文完全理解模型ks指标含义并画出ks曲线（包含代码和详细解释）

最新推荐文章于 2022-07-19 21:10:57 发布

VIP文章

scxyz_

最新推荐文章于 2022-07-19 21:10:57 发布

阅读量7.5w

287

点赞数

分类专栏：

大数据风控

文章标签：

auc

风控

模型区分度

ks指标

本文链接：https://blog.csdn.net/sscc_learning/article/details/86707005

版权

KS(Kolmogorov-Smirnov)：KS用于模型风险区分能力进行评估，指标衡量的是好坏样本累计分部之间的差值。好坏样本累计差异越大，KS指标越大，那么模型的风险区分能力越强。

k s = m a x ( C u m . B i B a d t o t a l − C u m . G i G o o d t o t a l ) ks = max(\frac{Cum. B_i}{Bad_{total}} - \frac{Cum.G_i}{Good_{total}}) ks=max(BadtotalCum.Bi−GoodtotalCum.Gi)

上面是ks的简单介绍，相信大家看了这几句话和一个公式，肯定还是不懂ks到底是个什么。我也是研究了一下，终于搞清楚了ks的具体计算方式。搞清楚了计算方式后，ks的含义自然就清楚了。下面我会详细讲解实现方法，相信如果你看完本文章，肯定可以理解ks。以下内容均为个人纯手打，难免有些疏漏，如有错误，请大家指出。

本文会介绍两种计算ks的方法：第一种是我自己手动写代码实现的，可以帮助你理解ks含义；第二种是sklearn模块里面的roc_curve函数计算，通过第一种方法理解了ks后，实际应用中使用第二种方法，更方便。

ks的计算流程

话不多说，先看代码，后面会解释代码，顺便解释清楚ks含义。

import numpy as np

import pandas as pd

def ks(df, y_true, y_pre, num=10, good=0, bad=

最低0.47元/天解锁文章

优惠劵

scxyz_

关注

踩

287

觉得还不错?

一键收藏

知道了

一文完全理解模型ks指标含义并画出ks曲线（包含代码和详细解释）

KS(Kolmogorov-Smirnov)：KS用于模型风险区分能力进行评估，指标衡量的是好坏样本累计分部之间的差值。好坏样本累计差异越大，KS指标越大，那么模型的风险区分能力越强。 ——神秘的KS值和GINI系数上面是ks的简单介绍，相信大家看了这几句话，肯定还是不懂ks到底是个什么。我也是研究了比较久，终于搞清楚了ks的具体计算方式。搞清楚了计算方式后，ks的含义自然就清楚了。下面...

复制链接

扫一扫

专栏目录

13 条评论

您还未登录，请先

后发表或查看评论

ks 曲线_模型算法基础——KS曲线

weixin_27037521的博客

12-23

695

原创：栗老师金科应用研院关于判断逻辑回归模型的分别能力，我们前面已经介绍了基尼系数和ROC曲线，今天我们来介绍一下KS曲线。KS曲线主要体现了模型对违约对象的区分能力，通常是在模型预测全体样本的评分后，将全体样本按好客户(未逾期)和坏客户(逾期)分为两部分，然后用KS统计量来检验这两组样本评分的分布是否有显著差异。KS曲线的横坐标是将所有样本的评分结果从小到大排序后等分为10组，纵坐标是好客户...

构建风控评分卡模型介绍（WOE/KS/ROC)

“KS”什么意思？_哔哩哔哩_bilibili

“KS”什么意思？_哔哩哔哩_bilibili 首页番剧直播游戏中心会员购漫画赛事投稿“KS”什么意思？

7.0万

2022-10-12 13:44:44

未经作者授权，禁止转载674610511ks包含三种意思：第一种ks是属于Kill Steal的简称，就是代表游戏术语，简单一点就是抢人头。主要就是代表一个玩家去窃取另外一个玩家的猎物。通常在团战或者是电竞的游戏里面，当看到目标之后，给予最后一击的玩家，这种就可以判定是这个目标的击杀者，击杀者就能获得相应的奖励。第二种ks是kiss的简称，它的意思就是亲吻，就是代表为了表示亲热，从而把自己的唇部贴在某种物体上面，这是属于很友好的表现。这个动作发出者通常都是人，有些时候也可能是非生命的事物，比如春风等。第三种ks也是快手的简称。网络热门鉴定知识科学科普原创科普纪录冷知识网络热词网络流行语kisskillks网络流行词万物研究所·2022第四期

网络流行语课堂

发消息

网络最新流行语学习，解释，翻译等。有什么不懂的流行词可以留言咨询。关注我不迷路，我就是您的流行语词典！

关注 1801

最流畅的高清对局，最纯正的爽感枪战

网络流行语

(126/329)自动连播109.0万播放简介

订阅合集

网络流行语课堂、网络热词、网络流行词。

“指男针”什么意思？