热线电话:13121318867

登录
首页大数据时代K-S 曲线与 KS 值:评分模型区分度的解读方法
K-S 曲线与 KS 值:评分模型区分度的解读方法
2026-11-18
收藏

一、K-S 曲线解决什么问题

风控评分卡、客户流失模型、欺诈识别模型建好之后,最核心的一个问题是:模型能不能把"会变坏"和"不会变坏"的人群分开?

K-S 曲线(Kolmogorov-Smirnov Curve)就是用来直观衡量模型区分能力的工具。它把好客户和坏客户的累计占比随评分排序画成两条曲线,两条曲线之间的最大距离就是 KS 值,用来给模型的区分能力打分。

注意区分同名概念:风控里的"KS 曲线/KS 值"是模型区分度指标;统计学里的"K-S 检验(Kolmogorov-Smirnov Test)"是判断两组分布是否有显著差异的假设检验。两者名字同源,但用途不同,本文讲的是风控建模语境下的 KS 曲线。

”

二、基本概念:好客户与坏客户

2.1 先定义好坏

建模前必须先把标签定清楚,否则 KS 无从谈起:

  • 坏客户(Bad):发生逾期、违约、流失、欺诈的样本,标签通常记为 1
  • 好客户(Good):履约、留存、正常的样本,标签记为 0

"坏"的定义要和业务风险口径一致,比如逾期多少天算坏、观察期和表现期多长,都要在建模前固化。

2.2 评分或风险概率

模型给每个样本输出一个分数(或违约概率)。分数越高越倾向好客户,或风险概率越高越倾向坏客户,方向要在分析时统一。

三、K-S 曲线怎么画

3.1 绘制步骤

  1. 按模型评分(或风险概率)从高到低排序:把全部样本排成一列
  2. 逐档累计:从风险最高的一档开始,依次累计
  3. 计算两条累计曲线:
    • 坏客户累计占比:到当前档为止,坏客户累计数 ÷ 全部坏客户数
    • 好客户累计占比:到当前档为止,好客户累计数 ÷ 全部好客户数
  4. 横轴是累计样本占比(按风险排序后从高到低),纵轴是累计占比,画出两条曲线

3.2 曲线长什么样

  • 横轴:按风险从高到低排序后,累计覆盖了多少比例的样本
  • 纵轴:累计抓到的坏客户比例 / 好客户比例
  • 坏客户累计曲线:风险高的样本排在前面,坏客户被快速抓到,曲线先陡升
  • 好客户累计曲线:好客户多集中在低风险段,曲线爬升慢,贴在底部

两条曲线之间的垂直距离,在某一档位达到最大,这个最大距离就是 KS 值。

3.3 KS 值的定义

即坏客户累计分布函数与好客户累计分布函数之差的最大值。

KS 值的含义是:在最优的切分档位下,模型能把坏客户和好客户区分开的最大程度。距离越大,说明模型在该档位附近识别好坏的能力越强。

四、KS 值怎么解读

4.1 经验判断标准

风控行业常用的参考区间:

KS 值 区分能力 评价
< 0.20 较弱 基本不具备实用区分能力
0.20 ~ 0.30 一般 有一定区分度,可作参考
0.30 ~ 0.40 尚可 多数风控模型可接受的区间
0.40 ~ 0.50 较强 区分度良好
0.50 ~ 0.60 强 模型表现优秀
> 0.60 过强 需要警惕样本泄漏、特征不当或过拟合

这些区间是行业经验参考,不同业务、不同风险场景的标准不同,不能当成硬性门槛。

”

4.2 KS 值高代表什么

  • 模型在某个切分点附近,能同时"多抓坏客户、少误伤好客户"
  • 两条曲线分离得越开,KS 越大

4.3 KS 值低代表什么

  • 好坏客户在模型评分上分布高度重叠,模型分不出谁更可能变坏
  • 可能原因:特征不足、标签定义不清、样本噪声大、模型欠拟合

4.4 为什么 KS 不是越高越好

KS 超过 0.6 时,先不要庆祝,要排查:

  • 是否把未来信息、表现期特征混进了建模特征(数据泄漏)
  • 样本是否重复或分组不当
  • 是否在训练集上反复调参导致过拟合
  • 业务上是否真的存在这么强的风险信号

高 KS 在训练集上成立、上线后暴跌,通常就是过拟合或泄漏。

五、KS 与其他模型评估指标的关系

5.1 与 ROC / AUC 的关系

对比 KS AUC
关注点 好坏累计分布的最大单点分离 全排序上整体区分能力
取值 两条曲线最大垂直距离 ROC 曲线下面积
解读 最优切分点附近的区分强度 模型整体排序能力
场景 风控审批切档、拒绝策略 整体模型质量评估

两者趋势通常一致:AUC 高的模型 KS 一般也不会太低。KS 更贴近"在某个阈值下拦截坏人"的业务动作,AUC 更概括整体排序。

5.2 与 Gini 系数

Gini 是 AUC 的线性变换,范围 0~1,和 KS 同样衡量区分度,但口径不同。风控报告里常同时给出 KS、AUC、Gini。

5.3 与 Lift / 提升度

Lift 看的是某一档位内命中率相比随机抽样提升了多少倍;KS 看的是累计好坏占比的最大差距。Lift 曲线更细粒度地展示各分段的拦截效率,KS 是一个汇总最大值。

六、K-S 曲线的实操实现

6.1 Excel 手工绘制思路

样本量不大时,可以在 Excel 里复现:

  1. 按风险概率从高到低排序
  2. 逐行累计坏客户数、好客户数
  3. 计算累计坏占比、累计好占比、累计样本占比
  4. 用累计样本占比做横轴,两条累计占比做纵轴,插入折线图
  5. 找出两条线垂直距离最大的位置,差值即为 KS

6.2 Python 实现

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve

def plot_ks(y_true, y_score):
    fpr, tpr, thresholds = roc_curve(y_true, y_score)
    # 坏客户累计 = TPR,好客户累计 = FPR
    ks = np.max(tpr - fpr)
    ks_idx = np.argmax(tpr - fpr)

    plt.plot(fpr, label='好客户累计占比')
    plt.plot(tpr, label='坏客户累计占比')
    plt.vlines(ks_idx, fpr[ks_idx], tpr[ks_idx], colors='red', linestyles='--')
    plt.title(f'K-S 曲线,KS = {ks:.3f}')
    plt.legend()
    plt.show()
    return ks

ks = plot_ks(y_test, y_prob)

这里利用 ROC 曲线的 TPR(坏客户累计捕获率)和 FPR(好客户被误杀率)之差,最大值就是 KS。

6.3 分档汇总表

落地报告通常输出一张分档表:

风险档 样本占比 坏客户数 坏客户累计占比 好客户累计占比 KS
1(最高风险) 10% 320 32% 8% 0.24
2 20% 210 53% 19% 0.34
3 30% ... ... ... ...

最后一列逐档计算差值,最大值即整体 KS。

七、模型上线前后的 KS 监控

7.1 训练集 vs 测试集 KS

  • 训练集 KS 高、测试集 KS 明显下降:过拟合
  • 两者都低:模型本身区分能力不足

7.2 上线后监控 KS 漂移

模型上线后,要按周期(月/季)监控新样本的 KS:

  • KS 持续下降:客户群体、风险行为发生变化,模型老化
  • 特征分布漂移:输入变量分布变了,但模型没跟上
  • 标签延迟:坏客户还没表现出来,近期样本 KS 暂时偏低,要等表现期成熟后再评估

7.3 样本不均衡的影响

坏客户占比很低(如 2%~5%)时,KS 依然可以计算,但要注意:

  • 累计占比是在好、坏各自内部归一化,不受样本不均衡直接影响
  • 但模型评估还要配合 Recall、精确率、Lift 看实际拦截效果,单看 KS 不够

八、常见误区

8.1 把 KS 当准确率

KS 衡量的是区分排序能力,不是"预测对了多少比例"。样本极度不均衡时,一个全猜好客户的模型准确率很高,但 KS 接近 0。

8.2 只看一个汇总 KS

同一个模型在不同客群、不同渠道上的 KS 可能差别很大。要分群、分渠道看 KS,而不是只看整体值。

8.3 训练集 KS 直接当上线能力

必须用未参与训练的测试集 / 跨时间样本验证。训练集高 KS 不代表线上可用。

8.4 忽视切分点的业务成本

KS 最大的档位是统计上的最优分离点,但业务上还要权衡:拒绝太多好客户的损失 vs 拦截坏客户的收益。最终阈值由风险偏好和业务成本决定,不直接等于 KS 最高点。

8.5 混淆风控 KS 与统计 KS 检验

写报告时要写清是"KS 区分度"还是"K-S 分布检验"。后者用样本分布拟合检验,和模型评估不是一回事。

8.6 KS 不变就认为模型没问题

模型排序区分度稳定,也可能出现特征失效、客群漂移但整体排序没变的情况。KS 要和特征分布、命中率、坏账率一起监控。

九、总结

K-S 曲线是风控与分类模型评估中最常用的区分度工具,核心要点:

  1. 画两条累计曲线:按风险排序后,分别累计坏客户、好客户占比
  2. KS 值是最大垂直距离:
  3. 解读看区间:0.2~0.4 常见可用,>0.6 要排查泄漏与过拟合
  4. 配合其他指标:KS 看单点分离,AUC/Gini 看整体排序,Lift 看分段拦截效率
  5. 上线后持续监控:对比训练/测试 KS,跟踪漂移与老化

一句话理解:KS 曲线回答"模型在多大程度上能把坏人先挑出来",KS 值回答"这个分离程度在最优档位有多大"。它是模型准入和策略切档的关键依据,但不是唯一依据——配合业务成本、样本结构和线上表现一起判断,结论才站得住。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考,也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校,累计已有10万+在读~ !

免费加入阅读:https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0

数据分析师资讯
更多

OK
客服在线
立即咨询
客服在线
立即咨询