人生苦短，我用 Python前文传送门：小白学 Python 数据分析(1)：数据分析基础小白学 Python 数据分析(2)：Pandas (一)概述小白学 Python 数据分析(3)：Pandas (二)数据结构 Series小白学 Python 数据分析(4)：Pandas (三)数据结构 DataFrame小白学 Python 数据分析(5)：Pandas (四)基础操作(1)查看数据小
KS检验及其在机器学习中的应用什么是KS检验Kolmogorov–Smirnov 检验，简称KS检验，是统计学中的一种非参数假设检验，用来检测单样本是否服从某一分布，或者两样本是否服从相同分布。在单样本的情况下，我们想检验这个样本是否服从某一分布函数
，记
是该样本的经验分布函数。我们构造KS统计量：
如下图，经验分布函数与目标分布的累积分布函数的最大差值就是我们要求
转载
2023-11-13 13:32:30
349阅读
# 理解 KS 指标及其在 Python 中的实现
## 一、什么是 KS 指标？
KS 指标，也称 Kolmogorov-Smirnov 指标，是一种常用的统计量，主要用于检测两个样本分布之间的差异。特别是在信用评分、风险管理及二分类模型的评价中，KS 指标具有重要的作用。KS 值的计算基于成功率和失败率的累积分布函数（CDF）。
KS 值的范围为 0 到 1，KS 值越大，表明模型的区分
# KS检验：Python中的统计检验方法
## 1. 引言
在统计学中，我们经常需要使用一些方法来评估两个或多个样本之间的差异。一种常用的方法是KS检验（Kolmogorov-Smirnov test），它用于比较两个样本的累积分布函数（CDF）是否来自同一分布。本文将介绍什么是KS检验，为什么我们需要它，以及如何使用Python进行KS检验。
## 2. KS检验的原理
KS检验是基于
原创
2023-10-14 13:47:06
501阅读
定义K-nn算法可以说是最简单的机器学习算法构建模型，只需要保存训练数据集即可想要对新数据点做出预测，算法会在训练数据集中找到最近的临近点，也就是说他的最近邻。利用sklearn实现k近邻from sklearn.datasets import make_blobs
import mglearn
from sklearn.model_selection import train_test_spli
转载
2024-09-25 08:32:00
46阅读
# KS检验（Kolmogorov-Smirnov检验）及其Python实现
## 简介
KS检验，全称Kolmogorov-Smirnov检验，是一种非参数检验方法，主要用于比较两个分布是否相同，或者一个样本分布与一个理论分布的差异。其核心思想是通过计算样本的经验分布函数（Empirical Distribution Function, EDF）与理论分布函数之间的最大偏差来判断两个分布的相
原创
2024-09-18 08:02:40
214阅读
在金融领域中，我们的y值和预测得到的违约概率刚好是两个分布未知的两个分布。好的信用风控模型一般从准确性、稳定性和可解释性来评估模型。sOf免费资源网一般来说。好人样本的分布同坏人样本的分布应该是有很大不同的，KS正好是有效性指标中的区分能力指标：KS用于模型风险区分能力进行评估，KS指标衡量的是好坏样本累计分布之间的差值。sOf免费资源网好坏样本累计差异越大，KS指标越大，那么模型的风险区分能力越
转载
2024-01-24 19:13:32
198阅读
在数据科学和统计分析领域，KS值（Kolmogorov-Smirnov Statistic）通常被用于比较两个样本集之间的分布差异。KS测试是一个非参数检验，用于评估两个经验分布函数之间的差异。本文将详细阐述如何使用Python编写KS值计算的代码，并在各个维度上进行深入分析。
## 适用场景分析
KS值计算的主要应用场景包括：
1. **模型评估**：通过比较预测分布与实际分布之间的差异，
# Python计算KS的代码实例
KS（Kolmogorov-Smirnov）是一种用于比较两个概率分布差异的统计方法。在金融领域，KS常被用于评估模型在预测违约概率、市场波动性等方面的准确性。Python提供了方便的工具库，可以简单地计算KS值。本文将介绍如何使用Python计算KS值，并提供一个代码实例。
## 什么是KS值？
KS值是通过比较两个累积分布函数（CDF）的差异来衡量两个
原创
2024-01-03 13:57:35
483阅读
前言近期在阿里云数加平台上学习一下机器学习，把学习中整理的资料记录于此，已备查看，下面资料主要是概念解释及应用。相关系数矩阵了解相关矩阵前先了解相关系数。相关系数的取值范围为[-1,1]，当相关系数为1时。表示正相关；当相关系数为-1时，表示负相关；当相关系数为0时，表示不相关。 正相关：因变量随着自变量的增大而增大 负相关：因变量随着自变量的增大而减小计算公式：相关矩阵相关矩阵中每一个值都是
首先介绍一下什么是KS检验原文： KS检验 Kolmogorov-Smirnov检验是基于累计分布函数的，用于检验一个分布是否符合某种理论分布或比较两个经验分布是否有显著差异。 单样本K-S检验是用来检验一个数据的观测经验分布是否符合已知的理论分布。 两样本K-S检验由于对两样本的经验分布函数的位置和形状参数的差异都敏感，所以成为比较两样本的最有用且最常用的非参数方法之一。 检验统计量为：，其中F
# K-S值计算及其在数据分析中的应用
K-S值（Kolmogorov-Smirnov Statistic）是一种检验两个样本是否来自同一分布的非参数统计方法。在许多数据分析中，K-S检验被广泛应用于比较样本分布和理论分布之间的差异，或比较两个样本之间的分布差异。本文将介绍K-S值的计算方法，并给出Python代码示例，同时采用不同的可视化工具来帮助理解。
## K-S值的基本概念
K-S检
并发上传基于py自带模块concurrent.futures import ThreadPoolExecutor#!/usr/bin/env python3
# -*- coding:utf-8 -*-
# @Time: 2020/11/22 10:13
# @Author:zhangmingda
# @File: ks3_multi_thread_for_concurrent.future
转载
2023-12-28 11:31:51
42阅读
1.混淆矩阵（一级指标）以分类模型中最简单的二分类为例，对于这种问题，我们的模型最终需要判断样本的结果是0还是1，或者说是positive还是negative。我们通过样本的采集，能够直接知道真实情况下，哪些数据结果是positive，哪些结果是negative。同时，我们通过用样本数据跑出分类型模型的结果，也可以知道模型认为这些数据哪些是positive，哪些是negative。因此，我们就能得
转载
2024-02-04 01:25:45
381阅读
假设检验的基本思想： 若对总体的某个假设是真实的，那么不利于或者不能支持这一假设的事件A在一次试验中是几乎不可能发生的。如果事件A真的发生了，则有理由怀疑这一假设的真实性，从而拒绝该假设。实质分析： 假设检验实质上是对原假设是否正确进行检验，因此检验过程中要使原假设得到维护，使之不
转载
2024-06-24 07:36:55
44阅读
从统计角度，我们知道KS是分析两组数据分布是否相同的检验指标。在金融领域中，我们的y值和预测得到的违约概率刚好是两个分布未知的两个分布。好的信用风控模型一般从准确性、稳定性和可解释性来评估模型。一般来说。好人样本的分布同坏人样本的分布应该是有很大不同的，KS正好是有效性指标中的区分能力指标：KS用于模型风险区分能力进行评估，KS指标衡量的是好坏样本累计分布之间的差值。好坏样本累计差异越
转载
2024-08-14 17:49:40
385阅读
Q-Q图主要可以用来回答这些问题：两组数据是否来自同一分布PS：当然也可以用KS检验，利用python中scipy.stats.ks_2samp函数可以获得差值KS statistic和P值从而实现判断。两组数据的尺度范围是否一致两组数据是否有类似的分布形状 前面两个问题可以用样本数据集在Q-Q图上的点与参考线的距离判断；而后者则是用点的拟合线的斜率判断。用Q-Q图来分析分布的好处都有啥？（谁说对
转载
2023-07-28 15:45:36
190阅读
# Python 中 KS 值计算的科普
在统计学和机器学习中，KS值（Kolmogorov-Smirnov Statistic）是一种常用的比较工具，可以用来衡量两个样本分布之间的差异。KS值通常用于评估预测模型的性能，尤其是在分类问题中。本文将介绍如何在 Python 中计算 KS 值，并提供示例代码以及数据可视化。
## 什么是 KS 值？
KS 值是基于两个累积分布函数（CDF）之间
代码实现：
转载
2019-07-07 17:08:00
117阅读
2评论
本文代码及数据集来自《Python大数据分析与机器学习商业案例实战》对于二分类模型来说，主流的评估方法有ROC曲线和KS曲线两种。一、ROC曲线如果把假警报率理解为代价的话，那么命中率就是收益，所以也可以说在阈值相同的情况下，希望假警报率（代价）尽可能小，命中率（收益）尽可能高，该思想反映在图形上就是ROC曲线尽可能地陡峭。曲线越靠近左上角，说明在相同的阈值条件下，命中率越高，假警报率越低，模型越
转载
2024-02-04 21:47:02
168阅读
