KS（Kolmogorov-Smirnov）统计量是一种用于评估二分类模型性能的指标，主要用于评估模型在正例和负例之间的区分度。KS统计量通过累积分布函数（CDF）的差异来衡量模型对正负样本的区分程度。

KS值的计算过程包括以下步骤：

1. 计算分数： 对每个样本使用模型得到的概率或分数进行排序。
2. 构建累积分布函数（CDF）： 分别计算正例和负例中每个分数对应的累积百分比。
3. 计算累积分布函数差异： 计算正例和负例累积分布函数之间的最大差异值，即KS统计量。

​
其中:

• CDF正例(s) 是正例中分数小于等于s的样本的累积百分比。
• CDF负例(s) 是负例中分数小于等于s的样本的累积百分比。

KS值的范围是0到1，值越大表示模型在正例和负例之间的区分度越好。

在某些场景中，KS值也被用于评估模型在不同阈值下的性能。例如，通过在不同概率或分数阈值下计算KS值，可以选择一个最佳的阈值来平衡模型的精确率和召回率。

在一些机器学习框架和库中，计算KS值的函数通常已经包含在性能评估工具中。