《表2 混淆矩阵：互联网贷款欺诈的形成机理与量化评估》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《互联网贷款欺诈的形成机理与量化评估》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。