风控算法中的精确率与召回率

风控算法中的精确率与召回率

---

一、混淆矩阵

	预测为正（风险用户）	预测为负（正常用户）
实际为正（风险用户）	TP 真正例	FN 假负例（漏掉的坏人）
实际为负（正常用户）	FP 假正例（误杀的好人）	TN 真负例

---

二、精确率 Precision

$Precision = \frac{TP}{TP + FP}$

通俗理解： 拦截了100个人，真正有问题的有几个？

风控含义：精确率低 = 好用户被误拦太多，影响业务收入

---

三、召回率 Recall

$Recall = \frac{TP}{TP + FN}$

通俗理解： 100个坏人里，抓到了几个？

风控含义：召回率低 = 坏人漏网，产生坏账或欺诈损失

---

四、风控场景的业务取舍

场景	更关注	原因
欺诈检测	召回率	漏掉一个欺诈损失巨大
信贷审批	精确率	误拒好客户影响业务收入
反洗钱	召回率	监管合规要求不能漏
营销风控	精确率	误拦影响转化率

---

五、两者的矛盾关系

• 阈值越高 → 精确率↑，召回率↓，模型更保守，少拦人
• 阈值越低 → 召回率↑，精确率↓，模型更激进，多拦人

两者无法同时最优，需根据业务损失来定阈值：漏掉一个坏人的损失 vs 误拦一个好人的损失，哪个更大就往哪个方向倾斜。

---

六、综合指标

$F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$

指标	说明	适用场景
F1-Score	精确率与召回率的调和平均	两者都重要时
KS值	区分好坏用户的能力，>0.3为良好	信贷评分卡标配
AUC-ROC	综合排序能力，越接近1越好	通用

---

七、总结

风控模型的阈值没有统一答案，核心是结合业务场景：

• 欺诈、反洗钱 → 优先召回率，宁可误杀不能放过
• 信贷、营销 → 精确率和召回率需要平衡
• 最终评估 → KS + AUC + F1 三者结合看，不能只看准确率

---

你在风控项目中更关注精确率还是召回率？欢迎评论交流。 持续更新风控建模实战内容，欢迎关注。