4. 精确率与召回率：核心权衡
在逾期预测模型中，仅用准确率（Accuracy）评估远远不够，尤其当正负样本极不平衡时（例如逾期用户仅占 5%），一个“全部预测为正常”的模型也能达到 95% 的准确率，却毫无风控价值。因此，我们需要引入精确率（Precision）和召回率（Recall）这对互补指标，从不同角度衡量模型对“逾期”这一少数类的捕捉能力。
4.1 精确率（Precision）定义与业务含义
定义：在所有被模型预测为“逾期”的用户中，真正逾期的用户所占的比例。
公式： Precision = TP / (TP + FP)
其中 TP = 真正例（实际逾期且预测逾期），FP = 假正例（实际正常但预测逾期）。
其中 TP = 真正例（实际逾期且预测逾期），FP = 假正例（实际正常但预测逾期）。
业务含义：精确率衡量的是模型“抓对”的准确性。在风控场景中，高精确率意味着模型发出的逾期预警中，绝大多数都是真正的风险用户，催收资源不会被浪费在正常用户身上。
- 高精确率场景：贷后催收资源有限，希望每打一个电话都尽可能找到真正的逾期者，减少对正常用户的骚扰。
- 低精确率代价：大量正常用户被误判为逾期，引发客户投诉、品牌声誉受损，甚至法律风险。
4.2 召回率（Recall）定义与业务含义
定义：在所有真实逾期的用户中，被模型成功预测为“逾期”的用户所占的比例。
公式： Recall = TP / (TP + FN)
其中 FN = 假负例（实际逾期但预测正常）。
其中 FN = 假负例（实际逾期但预测正常）。
业务含义：召回率衡量的是模型“抓全”的能力。高召回率意味着模型能识别出绝大部分潜在风险，尽可能不漏掉任何一个可能逾期的用户。
- 高召回率场景：风险容忍度极低，例如高风险产品上线初期，宁可错杀一千，不可放过一个。
- 低召回率代价：大量逾期用户被误判为正常，导致坏账损失直接暴露，风控防线形同虚设。
4.3 精确率与召回率的权衡关系
精确率和召回率通常是一对相互制约的指标。提高其中一个，往往会导致另一个下降。这种此消彼长的关系源于模型分类阈值（Threshold）的调整。
核心洞察：阈值是模型输出概率转化为最终分类的“分界线”。调低阈值（例如从 0.5 降到 0.3），模型会更倾向于预测为“逾期”，召回率上升，但更多正常用户被误判，精确率下降。反之，调高阈值，精确率上升，但召回率下降。
下表总结了不同业务目标下的指标选择倾向：
| 业务目标 | 优先指标 | 典型场景 | 阈值调整方向 |
|---|---|---|---|
| 减少催收成本，避免误伤 | 高精确率 | 优质客户群、低风险产品 | 调高阈值 |
| 控制坏账，不漏风险 | 高召回率 | 新客准入、高风险产品 | 调低阈值 |
| 平衡成本与风险 | F1-Score | 常规贷中监控 | 寻找最优阈值 |
下图直观展示了阈值移动对精确率和召回率的影响：
4.4 业务决策中的权衡实例
假设某消费金融公司上线一款新产品，模型在默认阈值下的表现为：精确率 80%，召回率 60%。业务团队面临以下两种策略选择：
- 策略A（高精确率导向）：将阈值从 0.5 提升至 0.7。精确率升至 92%，但召回率降至 35%。
结果：催收团队只处理最确定的逾期用户，成本降低，但 65% 的逾期用户未被预警，坏账率上升。 - 策略B（高召回率导向）：将阈值从 0.5 降低至 0.3。召回率升至 85%，但精确率降至 55%。
结果：大部分逾期用户被识别，但催收名单中近一半是正常用户，催收成本激增且引发投诉。
避坑提示：不要盲目追求单一指标。在模型上线前，必须与业务方明确“误伤一个正常用户的成本”与“漏掉一个逾期用户的损失”之间的量化关系。通常使用 F1-Score（精确率和召回率的调和平均数）作为综合评估指标，或引入 成本矩阵 进行决策。
下图展示了精确率与召回率在混淆矩阵中的位置关系，帮助理解两者的计算来源：
4.5 关键总结
- 精确率回答“预测为逾期的用户中，有多少是真的逾期？”——衡量模型的准确性。
- 召回率回答“真实逾期的用户中，有多少被模型找出来了？”——衡量模型的覆盖度。
- 两者通过分类阈值形成此消彼长的权衡关系，不存在绝对最优值。
- 业务决策应基于误伤成本与漏损成本的量化对比，选择适合当前阶段的指标优先级。