《表2 混淆矩阵:互联网贷款欺诈的形成机理与量化评估》
模型训练是一个多次反复的过程,每个模型训练完成后都要对模型进行测试和评估,使用测试样本对模型性能进行评估,测试样本预测结果生成混淆矩阵,如表2所示。通过混淆矩阵可以计算准确率(ACC)、召回率(TPR)和存伪率(FPR),通过这三个指标可以评价欺诈风险评估模型的性能。其中,准确率ACC=(TP+TN)/(TP+FN+FP+TN),反映模型对欺诈客户和正常客户区分能力和精确程度,ACC值越高说明模型越精确;召回率TPR=TP/(TP+FN),反映模型对欺诈客户的识别能力,ACC越高说明侦测到的欺诈客户越多,漏网之鱼越少;存伪率FPR=FP/(FP+TN),反映在预测为欺诈的客户中误判的比例,FPR越低说明错判的客户越少,对正常客户的干扰越小。在实际运用中,首先要关注准确率,准确率只有高过一定值,模型才有价值。然后要综合考虑TPR和FPR,由于欺诈具有低频高损失的特点,互联网信贷机构应本着非常谨慎的风控原则,最大限度地侦测出欺诈可能性,即当两个模型FPR水平相当的情况下TPR更大的那个模型更优。
图表编号 | XD00189608200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.26 |
作者 | 武建奇、何姝 |
绘制单位 | 河北大学经济学院、河北经贸大学马克思主义学院、河北大学经济学院 |
更多格式 | 高清、无水印(增值服务) |