查准率与查全率
在机器学习领域，有两个常用的指标：查准率与查全率。
它们分别代表什么含义呢？让我们以一个例子来说明。
假设有400人申请贷款，已知其中有160人是好人。我们建立一个模型进行训练，训练的结果是把100个人识别成了好人。但是，实际上，这些人中间只有80人是真正的好人，另外20人是漏网之鱼。
其中，查准率（precision）=检出相关信息量/检出信息总量=80/100=80%
查全率（recall）=检出相关信息量/系统中的相关信息总量=80/160=50%
由此看来，查准率与查全率是一对相互矛盾的概念。
通常，要提高查准率，就要把标准定得严格一些，那么，就会有更多的人被识别为“坏人”，只有少数特别好的人才会被认为是“好人”。
这样，检出的好人数量一定会减少，那么在全部好人中的占比就会下降，也就直接导致查全率降低。
如果反过来，把标准定得低一些，虽然有更多的好人被识别为“好人”，查全率显著升高，可是也会有更多的坏人被误判为“好人”，导致查准率下降。
通过率和坏账率
在金融风控领域，有两个指标是与查准率和查全率相对的，即通过率和坏账率。它们表达的意思一致，但是具体含义不同。
坏账率指的是在被判断为好人的人群中，坏人所占的比例。即：
坏账率=年坏账率/年赊销总额=20/100=20%
因此，查准率=1 - 坏账率
这两个指标可以从正反两个方面来考察同一个含义。
通过率指的是在模型中被判断为好人的人占人群总数的比例，即：
通过率=100/400=25%。
为什么业内很少用查全率，而是常用通过率这个概念呢？
这是因为，在真实业务中，我们拒绝的那一部分申请人中，具体有多少是好人，我们是不清楚的，所以我们无法计算查全率。由于训练模型时使用的数据结果是已知的，因此我们可以在模型训练时使用。
通过率则可以直接度量、简单易算。从表达的含义上讲，通过率与查全率的衡量目标是一致的。
评价风控的指标是什么呢？
对于金融公司的风控能力，外行往往只谈论“坏账率”这一个指标，很少去关心它的“通过率”。特别是理财人士，往往希望金融公司的坏账率为零，让自己遭受损失的风险变得最小。但从内控方面来讲，风控部门也很希望可以降低“坏账率”，这体现着他们的风控能力，而且他们的收入往往也跟坏账率挂钩。
但是，如果想让坏账率降低，就需要把通过率控制在一定范围内，那么金融公司均摊到单个成交客户上的运营成本就增加了。在真实的业务中，获取客户和审核客户的成本都很高，如果不能成交，这些成本就付之一炬了。而且，业务人员的绩效考核往往以成交量作为度量。所以，业务人员更希望提高通过率。
另外，通过率的高低会直接影响用户体验。试想一下，如果申贷被拒绝的概率很高，那么用户体验就很差，如果通过率很高，往往意味着风控能力较弱，欺诈分子就会蜂拥而至，坏账率也会急剧提高。
因此，通过率和坏账率这一对矛盾的指标，是金融公司业务部门与风控部门之间的抗衡，也是金融公司在增长业绩与规避损失之间的博弈。权衡之下，金融公司往往会在两者之间取一个平衡，即在控制坏账率的前提下，争取更高的通过率，或者在保证通过率的前提下，让坏账率尽可能降低。
相关文章：