3. 准确率与错误率：最直观但最危险的评估指标

在逾期预测模型评估中，准确率（Accuracy） 和 错误率（Error Rate） 是最基础、最直观的指标。它们衡量模型整体预测正确的比例，但在金融风控场景中，这两个指标往往隐藏着巨大的陷阱。

3.1 准确率（Accuracy）公式与计算

准确率定义为模型预测正确的样本数占总样本数的比例。其公式为：

Accuracy = (TP + TN) / (TP + TN + FP + FN)

其中：

• TP（True Positive）：实际逾期，模型预测逾期（正确）
• TN（True Negative）：实际未逾期，模型预测未逾期（正确）
• FP（False Positive）：实际未逾期，模型预测逾期（误报）
• FN（False Negative）：实际逾期，模型预测未逾期（漏报）

计算示例：

假设某逾期预测模型在测试集上的混淆矩阵如下：

则准确率计算为：

Accuracy = (80 + 800) / (80 + 800 + 100 + 20) = 880 / 1000 = 0.88

模型准确率达到 88%，看起来表现不错。

3.2 错误率（Error Rate）公式

错误率是准确率的互补指标，表示模型预测错误的样本比例：

Error Rate = (FP + FN) / (TP + TN + FP + FN) = 1 - Accuracy

沿用上例：

Error Rate = (100 + 20) / 1000 = 120 / 1000 = 0.12

错误率为 12%，似乎模型只有少量预测错误。

3.3 样本不平衡场景下的局限性

金融风控数据天然存在严重的样本不平衡问题——正常还款客户远多于逾期客户。以信用卡逾期为例，逾期率通常只有 1%～5%。在这种场景下，准确率会给出极具误导性的评价。

极端案例：

假设某数据集有 10,000 个样本，其中逾期客户仅占 1%（100 人），正常客户占 99%（9,900 人）。

一个"愚蠢"模型——永远预测"未逾期"——的混淆矩阵如下：

该模型的准确率：

Accuracy = (0 + 9900) / 10000 = 0.99

准确率高达 99%！但这个模型完全没有识别逾期客户的能力，在风控业务中毫无价值。

下表总结了准确率在平衡与不平衡场景下的表现差异：

3.4 为什么准确率在风控中不可靠？——根本原因

准确率失效的根本原因在于：它给每个样本赋予了相同的权重，忽略了不同错误类型带来的业务代价差异。

• 漏报（FN）代价极高：模型预测客户不会逾期，但实际逾期了。这意味着金融机构将资金借给了高风险客户，可能面临本金损失。
• 误报（FP）代价相对较低：模型预测客户会逾期，但实际正常还款。这通常意味着拒绝了优质客户，损失了潜在的利息收入，但不会造成本金损失。

在逾期率极低的情况下，模型只要"猜对"绝大多数正常客户，就能获得很高的准确率，即使它完全忽略了所有逾期客户。这种模型在业务上不仅无用，甚至有害——因为它给决策者一种"模型表现很好"的虚假安全感。