python金融风控评分卡模型和数据分析微专业课(博主亲自录制视频)：http://dwz.date/b9vv
医药统计项目可联系
QQ：231469242
洛伦兹曲线(Lorenz curve)也叫提升图或收益曲线
提升图主要通过随机选择比较模型表现。
绿色曲线比黄色曲线更加不平衡
基尼系数=A/(A+B)
A+B为正方形一半恒定面积，A区间面积越大，基尼系数越大
Lift, Lift Table, and Lift Chart
提升指数、提升表和提升图
1. 什么是Lift？
I) Lift(提升指数)是评估一个预测模型是否有效的一个度量；这个比值由运用和不运用这个模型所得来的结果计算而来。
II) 一个简单的数字例子：
i. 比如说你要向选定的1000人邮寄调查问卷。以往的经验告诉你大概20%的人会把填好的问卷寄回给你，即1000人中有200人会对你的问卷作出回应(response)，用统计学的术语，我们说baseline response rate是20%；
ii. 如果你现在就邮寄问卷，1000份你期望能收回200份，这可能达不到一次问卷调查所要求的回收率，比如说工作手册规定邮寄问卷回收率要在25%以上；
iii. 通过以前的问卷调查，你收集了关于问卷采访对象的相关资料，比如说年龄、教育程度之类。利用这些数据，你确定了哪类被访问者对问卷反应积极。假设你已经利用这些过去的数据建立了模型，这个模型把这1000人分了类，现在你可以从你的千人名单中挑选出反应最积极的100人来，这10%的人的反应率(response rate)为60%。那么，对这100人的群体(我们称之为Top 10%)，通过运用我们的模型，相对的提升(gain or lift value)就为60%/20%=3；换句话说，与不运用模型而随机选择相比，运用模型而挑选有3倍的好处；
iv. 类似地，对占总样本的任何比例的人群，我们都可以计算出相应的提升指数，比如说我们可以计算Top 20%的群体的提升指数。
III) 一个结论就是，提升指数越大，模型的运行效果越好。
2. 建立Lift Table 的步骤(并画出Lift Chart)，以验证信用评分模型为例：
I) 利用已经建立的评分模型，对我们要验证的样本进行评分。样本下的每一个个体都将得到一个分数，或者是违约概率，或者是一个分值；
II) 对样本按照上面计算好的分数进行降序排序；
III) 把已经排好序的样本依次分成10个数量相同的群体，我们就建立了一个叫decile的变量，它依次取10个值，1、2、3、4、5、6、7、8、9、10，diclie1包括违约概率值较高的10%的个体，diclie2包括下一个10%的群体，以此类推；
IV) 帐户总数是每个decile下的样本数，它是整个样本数的10%；
V) 边际坏账数是每个decile内违约的人数，就是说，利用我们的评分模型，在decile1，有25个人违约，以此类推；
VI) 累计坏账数，45表明前两个decile内共有45个人违约，以此类推；
VII) 边际坏账率是每个decile内坏账的比率。对decile1，边际坏账率由25/100得来；
VIII) 对每一个加总的decile，都计算一个累计坏账率，比如说，对前两个decile，也就是整个样本的20%，累计坏账率等于(25+20)/(100+100)；
IX) 在每个decile里，提升指数(Lift)就是相应的累计坏账率与平均坏账率的偏离程度，计算公式是(累计坏账率-平均坏账率)/平均坏账率，习惯上还会乘上一个100。
X) 注：在一些处理中，提升指数直接由每个decile的累计坏账率除以平均坏账率得来，它们之间就相差1，一个是相对偏离，一个是偏离。
XI) 就我们考察的信用评分模型，它的目的就是尽可能把人群区别来开来，比如说“好”的顾客、 “坏”的顾客。提升指数越大，表明模型运作效果越好。
表1：Lift Table
(注：该表内数字纯粹为了演示，没有任何实际背景)
python机器学习生物信息学系列课(博主录制)：http://dwz.date/b9vw