python金融風控評分卡模型和數據分析微專業課（博主親自錄制視頻）：http://dwz.date/b9vv
醫葯統計項目可聯系
QQ：231469242
洛倫茲曲線（Lorenz curve）也叫提升圖或收益曲線
提升圖主要通過隨機選擇比較模型表現。
綠色曲線比黃色曲線更加不平衡
基尼系數=A/（A+B）
A+B為正方形一半恆定面積，A區間面積越大，基尼系數越大
Lift, Lift Table, and Lift Chart
提升指數、提升表和提升圖
1. 什么是Lift？
I) Lift（提升指數）是評估一個預測模型是否有效的一個度量；這個比值由運用和不運用這個模型所得來的結果計算而來。
II) 一個簡單的數字例子：
i. 比如說你要向選定的1000人郵寄調查問卷。以往的經驗告訴你大概20%的人會把填好的問卷寄回給你，即1000人中有200人會對你的問卷作出回應（response），用統計學的術語，我們說baseline response rate是20%；
ii. 如果你現在就郵寄問卷，1000份你期望能收回200份，這可能達不到一次問卷調查所要求的回收率，比如說工作手冊規定郵寄問卷回收率要在25%以上；
iii. 通過以前的問卷調查，你收集了關於問卷采訪對象的相關資料，比如說年齡、教育程度之類。利用這些數據，你確定了哪類被訪問者對問卷反應積極。假設你已經利用這些過去的數據建立了模型，這個模型把這1000人分了類，現在你可以從你的千人名單中挑選出反應最積極的100人來，這10%的人的反應率(response rate)為60%。那么，對這100人的群體（我們稱之為Top 10%），通過運用我們的模型，相對的提升(gain or lift value)就為60%/20%=3；換句話說，與不運用模型而隨機選擇相比，運用模型而挑選有3倍的好處；
iv. 類似地，對占總樣本的任何比例的人群，我們都可以計算出相應的提升指數，比如說我們可以計算Top 20%的群體的提升指數。
III) 一個結論就是，提升指數越大，模型的運行效果越好。
2. 建立Lift Table 的步驟（並畫出Lift Chart），以驗證信用評分模型為例：
I) 利用已經建立的評分模型，對我們要驗證的樣本進行評分。樣本下的每一個個體都將得到一個分數，或者是違約概率，或者是一個分值；
II) 對樣本按照上面計算好的分數進行降序排序；
III) 把已經排好序的樣本依次分成10個數量相同的群體，我們就建立了一個叫decile的變量，它依次取10個值，1、2、3、4、5、6、7、8、9、10，diclie1包括違約概率值較高的10%的個體，diclie2包括下一個10%的群體，以此類推；
IV) 帳戶總數是每個decile下的樣本數，它是整個樣本數的10%；
V) 邊際壞賬數是每個decile內違約的人數，就是說，利用我們的評分模型，在decile1，有25個人違約，以此類推；
VI) 累計壞賬數，45表明前兩個decile內共有45個人違約，以此類推；
VII) 邊際壞賬率是每個decile內壞賬的比率。對decile1，邊際壞賬率由25/100得來；
VIII) 對每一個加總的decile，都計算一個累計壞賬率，比如說，對前兩個decile，也就是整個樣本的20%，累計壞賬率等於（25+20）/（100+100）；
IX) 在每個decile里，提升指數（Lift）就是相應的累計壞賬率與平均壞賬率的偏離程度，計算公式是（累計壞賬率-平均壞賬率）/平均壞賬率，習慣上還會乘上一個100。
X)
注：在一些處理中，提升指數直接由每個decile的累計壞賬率除以平均壞賬率得來，它們之間就相差1，一個是相對偏離，一個是偏離。
XI) 就我們考察的信用評分模型，它的目的就是盡可能把人群區別來開來，比如說“好”的顧客、 “壞”的顧客。提升指數越大，表明模型運作效果越好。
表1：Lift Table
（注：該表內數字純粹為了演示，沒有任何實際背景）
python機器學習生物信息學系列課（博主錄制）：
http://dwz.date/b9vw
