有一次，我们公司开会，机器学习团队的老大汇报业绩时候说到，我们最近做出来的最好的模型，KS 达到了 0.45（不要纠结这个数字哈，随便写了一个）。搞业务的某个同学就一脸懵逼地问，这个 KS 是个什么意思呢？这是好呢？还是不好呢？
当时，对这个问题的回答是失败的，会议陷入了小小的混乱。大家遇到的困扰是，很难用“人话”或者“普通话”，讲清楚到底什么是 KS。小 L 解释不清，老 B 上，还是解释不清，老 H 登场，最后还是没让听众彻底满意，当然，搞清楚这个也不是特别重要，最后一笑也就过去了，“回去自己百度/知乎”云云。
小生斗胆，想要尝试去解释清楚什么是 KS。咱们直接上干货吧。
我们公司的机器学习建模，目标是构建一种“二分类”模型，简单说，就是把一群人，分成“好人”和“坏人”。建模最后的结果是，我们使用模型给每个人打个分数，分数越低，人越坏，反之，则越好。然后，按照分数高低，我们可以把人给排列整齐。
看上图，模型产生 10 个分数，从低到高，把 100 个人，按照从坏到好，排成 10 列。这种排列的方式，是模型的一种预测，它不知道真实的情况是什么。
我们用颜色代表真实的情况。图里，红色代表坏人，绿色代表好人。假如，我们这个模型是上帝做的，绝对正确，我们就会看到一种现象，左边 5 列都是红的，右边 5 列都是绿的。
但是，模型是人做的，难免猜错，就会出现上面的现象，大体左边坏人多一些，右边好人多一些，但是有一些猜错的现象。每个小格子里的编号，是为了让读者你方便计算数量。显然，这 100 个人里，正好 50 个好人，50 个坏人。
下面，我需要一个机器警察去抓坏人。不过，这个机器警察只能按照模型预测的分数去抓，我们设定一个分数值，机器警察会把小于等于这个分数的人，都给抓起来。
现在我们需要做一个表格，来计算每个分数下面，抓到的坏人占全部坏人的比率（抓对率），以及抓到的好人占全部好人的比率（误抓率）。
看上面的图。假设，我们设为 0 分，没有人会被抓。同理，设置为 10 分，则所有坏人（100%）和所有好人（100%）都会被抓。
上面图里的表格，每一列代表，设置为这个分数时候，抓住的好人占所有好人的概率（误抓率），以及抓住的坏人占所有坏人的概率（抓对率）。第三行数字，代表两种概率的差值（坏人的概率 减去 好人的概率）。
假如，我们把上面的那个表格，可视化一下，画成折线图，就会是上面的样子。
上面那根灰色的线，代表每个分值抓住的总坏人率，下面那根红线代表误抓的总好人率。蓝色的线代表差值的变化情况。
然后，关键来了。蓝色的线的顶点。就是我们的主角 KS 君。到这里，我们基本讲明白了什么是 KS，诸君看懂了么？？
========
我猜，你的脸是下面这样的：
Hey, bro ? So what ? 翻译成中文是，他＊的，什么鬼？
KS 有毛用？抓人呢？
嗯……
简单说，KS 就是这样一种东西，确实也没什么用，至于抓人怎么决策什么的，KS 君也很难帮你。
如果，你很仁慈，你应该把机器警察的抓人分，设置成 1 分。一个好人也不误抓，宁肯让一些坏人逍遥法外。如果你很残暴，错杀一千不放过一个，你就设置成 10 分，把所有人都抓了。
对对，我当然知道 KS 是 60%，发生在设置为 5 分的时候，但是那又怎么样？？？不能怎么样。你没看错，不能怎么样。具体设置在几分呢？还是看心情。
======
回归严肃脸。
KS 量化评估了一个模型，累计好人和累计坏人相差最大的那个位置，从很小的一个侧面反应了一个模型的区分能力。几乎没有卵用。显然，预测的目标人群里，真实好坏客户的占比，会严重干扰KS的值。
在上图的极端情况下，KS 高达 82%，在分值设为 1 分的时候。你应该可以口算出来吧？（KS 并不是越高越好，当我们说KS越高越好的时候，一定是有一些前提的）
而且，跟抓人困境一样，KS 对决策几乎没有什么实质性的帮助。只是一种参考而已。显然，我们在真实抓人的时候，不一定可以设置能取到 KS 的分值（例如 第一个例子里的 5 分），你要考虑监狱的床位够不够，对吧？
说好的三张图，其实用了五张。就当我把你骗了，怎么的吧？
嘻嘻，希望你学会了，什么是 KS。
完。
PS. 课本上说，对一个风控模型来说，经验上，KS 统计量至少要 40% 才反应一个较好的判别能力。（课本知识，你懂的，自己判断咯）
再PS. KS 是一个统计量，是两个战斗民族（俄罗斯人）的名字（Kolmogorov-Smirnov）缩写。
最后，门外汉知道这些就够了。
真的。
完了。
