ROC

算法模型在不同场景下的评价与监控指标多种多样，主要分为回归模型与分类模型两大类。在模型上线前，重点在于评估模型本身的性能，包括各种评价指标；而上线后，则需关注业务相关指标，构建全面的监控体系。

对于回归模型而言，评价指标包括平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）、均方对数误差（MSLE）、中位数绝对误差（MedAE）以及决定系数（R-Squared）。这些指标从不同角度衡量预测值与实际值之间的差异，帮助评估模型表现。业务监控指标则涵盖需求满足率、群体稳定性（PSI）以及特征稳定性（CSI），重点关注模型在业务场景中的实际应用效果。

在分类模型的评价中，查全率、查准率、准确率、F-Score、AUC值、KS值、正确率（AR）、迁移矩阵（MR）以及KT值等指标，用于衡量模型的分类能力与区分效果。值得注意的是，部分指标，如混淆矩阵、Lift图与Gain图，侧重于模型性能的可视化呈现，更适用于模型评估而非实时监控。

在分类模型的业务监控方面，关键指标包括通过率、好坏样本比例以及模型调用次数等，用于追踪模型在实际业务场景中的应用情况与效果。同时，群体稳定性（PSI）与特征稳定性（CSI）指标同样重要，它们关注于不同类别客户占比随时间的变化，反映模型在长期应用过程中的适应性与稳定性。