79 lines
3.5 KiB
Markdown
79 lines
3.5 KiB
Markdown
---
|
||
title: "Calibration Testing"
|
||
type: concept
|
||
tags: [model-evaluation, probability-calibration, model-quality]
|
||
last_updated: 2026-04-25
|
||
---
|
||
|
||
## Definition
|
||
|
||
概率校准（Calibration Testing）验证模型输出的预测概率与实际发生的频率是否一致。一个校准良好的分类器：若它预测某事件概率为 80%，则该事件实际发生的频率应接近 80%。
|
||
|
||
## Core Methods
|
||
|
||
### Hosmer-Lemeshow Test
|
||
- 将预测概率分组（默认10组），比较每组观测正例数与期望正例数
|
||
- 统计量：$\chi^2 = \sum \frac{(observed - expected)^2}{expected(1 - expected/n)}$
|
||
- 自由度：组数 - 2；p-value < 0.05 → 拒绝原假设（校准差）
|
||
- **局限性**：对样本量敏感，分组方式不同结果不同
|
||
|
||
### Brier Score
|
||
- $BS = \frac{1}{N}\sum(p_i - y_i)^2$，取值 [0, 0.25]（二分类）
|
||
- 同时衡量校准（calibration）和区分度（refinement）
|
||
- 值越低越好，可分解为：$BS = Calibration^2 + Refinement$
|
||
- **优势**：无需分组，对样本量稳健，可跨模型比较
|
||
|
||
### Reliability Diagram（可靠性图）
|
||
- 将预测概率分箱（bin），绘制实际正例率 vs 预测概率
|
||
- 理想情况为 45° 对角线；S 形曲线表示欠/过度预测
|
||
- 视觉诊断工具，适合识别系统性校准偏差
|
||
|
||
### Expected Calibration Error (ECE)
|
||
- 加权平均每箱预测概率与实际频率的绝对差
|
||
- $ECE = \sum_b \frac{|b|}{n} |acc(b) - conf(b)|$
|
||
- 量化校准误差，便于跨模型对比
|
||
|
||
## Usage
|
||
|
||
```python
|
||
# Hosmer-Lemeshow
|
||
from scipy.stats import chi2
|
||
|
||
def hosmer_lemshow_test(y_true, y_pred, groups=10):
|
||
data = pd.DataFrame({"y": y_true, "p": y_pred})
|
||
data["bucket"] = pd.qcut(data["p"], groups, duplicates="drop")
|
||
agg = data.groupby("bucket", observed=True).agg(
|
||
n=("y", "count"), observed=("y", "sum"), expected=("p", "sum")
|
||
)
|
||
hl_stat = (((agg["observed"] - agg["expected"])**2) /
|
||
(agg["expected"] * (1 - agg["expected"]/agg["n"]))).sum()
|
||
dof = len(agg) - 2
|
||
p_value = 1 - chi2.cdf(hl_stat, dof)
|
||
return {"HL_statistic": round(hl_stat, 4), "p_value": round(p_value, 6), "calibrated": p_value >= 0.05}
|
||
|
||
# Brier Score
|
||
from sklearn.metrics import brier_score_loss
|
||
bs = brier_score_loss(y_true, y_pred)
|
||
```
|
||
|
||
## Model QA 中的应用
|
||
|
||
Model QA Specialist 执行以下校准审计：
|
||
1. **跨子群体校准**：在年龄/地区/收入等子群体上分别测试，发现整体指标掩盖的局部校准问题
|
||
2. **时间窗口稳定性**：跨 OOT（Out-of-Time）窗口测试校准稳定性，识别时间漂移
|
||
3. **分布偏移下的校准**：在压力场景（population shift）下测试，评估模型鲁棒性
|
||
4. **决策阈值校准**：根据业务决策阈值（如 p > 0.6 触发行动），评估该阈值处的校准质量
|
||
|
||
## Relationship
|
||
|
||
- **依赖** [[Discrimination-Metrics]]：先验证模型有区分能力（AUC/Gini），再讨论校准才有意义
|
||
- **依赖** [[SHAP]]：SHAP 解释"哪个特征导致校准偏差"，支撑诊断方向
|
||
- **依赖** [[Population-Stability-Index]]：PSI 捕捉特征分布漂移，漂移是校准失效的根本原因之一
|
||
- **支撑** [[specialized-model-qa]]（Source）：Model QA Specialist 的核心审计步骤之一
|
||
|
||
## Key Insights
|
||
|
||
- **High AUC ≠ Well Calibrated**：模型可以高区分度但低校准（如逻辑回归自然校准，神经网络往往过度自信）
|
||
- **业务影响**：校准误差 180bps（0.18）在 decile 10 可能影响 12% 的资产组合
|
||
- **监管要求**：巴塞尔协议/IFRS 9/CCAR 等监管框架明确要求信用风险模型的概率校准
|