機器學習中，常用到的AUC能很好地描述模型整體性能的高低。除了AUC，還有一個指標也能達到相同的效果，那便是ks。不僅如此，ks還能給出最佳的劃分閾值。那麼，ks具體是什麼指標？計算方式和AUC有何不同？
KS評價指標
KS（Kolmogorov-Smirnov）評價指標，通過衡量好壞樣本累計分佈之間的差值，來評估模型的風險區分能力，KS指標在互金行業可能用到的更多一些，用於評估模型對好壞用戶的區分能力。其計算方式和AUC的計算方式基本類似，我們不妨先來回顧一下評價指標必備的四個概念，如下：
- 僞陽性率（FPR）
判定爲正例卻不是真正例的比率 - 真陽性率（TPR）
判定爲正例也是真正例的比率 - 僞陰性率（FNR）
判定爲負例卻不是真負例的比率 - 真陰性率（TNR）
判定爲負例也是真負例的比率
UC的計算方式在文章（如何直觀理解AUC評價指標？）中描述的比較清楚，建議大家先看一遍，再繼續閱讀此文，會更加流暢。相比之前對AUC的講解，上面四個概念的介紹我更新成用“比率”描述，會更加準確一點。
但是AUC只評價了模型的整體訓練效果，並沒有指出如何劃分類別讓預估的效果達到最好。
ks和AUC一樣，都是綜合了真陽性率（TPR）和僞陽性率（FPR）兩個指標來衡量模型的好壞。不同之處在於，ks取的是TPR和FPR差值的最大值。
怎麼理解這個最大差值？我們先仔細思考一下TPR和FPR的含義。拿二分類來說，通常接sigmoid函數輸出到0-1之間取閾值劃分，假定0爲正例標籤，1爲負例標籤，當閾值從0到1變化時，TPR表示所有小於閾值的正例，在所有正例中的比率。同樣的，FPR則表示所有小於閾值的負例，在所有負例中的比率。
令橫軸爲閾值，縱軸爲TPR和TPR，值域均爲[0, 1]。可以這樣直觀理解，隨着橫座標從0到1變化，TPR越快提升，模型效果越好；反之，FPR越快提升，模型效果就越差。 ks值，正是圖中的最大差值，此時的橫軸取值，便是最佳閾值。
同樣的，我們可以拿AUC講解中的例子來直觀說明ks：現假設有一個訓練好的二分類器對10個正負樣本（正例5個，負例5個）進行預測，得分從高到低排序得到的最好預測結果爲[1, 1, 1, 1, 1, 0, 0, 0, 0, 0]，即5個正例均排在5個負例前面，正例排在負例前面的概率爲100%。
繪製其ks折線。首先，我們按照之前的描述方式，繪製TPR、FPR隨着閾值（樣本比例）變化的折線圖，如下圖所示：
從上圖我們可以知道，TPR提升最快而FPR提升最慢，的確說明了預測結果最好。然後，計算它們的差值，作ks折線圖如下：
上圖的ks值爲1，最佳劃分閾值是0.5，這是最理想的結果了。ks值域爲[0, 1]，一般情況下，ks值大於0.2就能判定模型是有效的。
爲了加深理解，我們稍微改變一下預測結果序列爲[1, 1, 1, 1, 0, 1, 0, 0, 0, 0]，看看ks值有何不同的變化。
可知上圖的ks值爲0.8，最佳劃分閾值爲0.4或者0.6。
至此，我們便可以直觀地理解ks評價指標。