一句话定义:Lift 曲线(提升曲线)画的是——把模型打分最高的一批人挑出来,命中率比闭眼随机抽高出多少倍。倍数就是 Lift。
原理:假设 10000 个用户里有 1000 人会转化,整体转化率 10%。把模型分数从高到低排序,取前 1000 人,发现里面 400 人转化,转化率 40%。那么在这一段上,Lift = 40% ÷ 10% = 4,意思是同样联系 1000 个人,用模型能捞到 4 倍的目标。
横轴是“按分数排序后取的人群占比”(累计样本比例),纵轴是这一段的 Lift 值(累计提升倍数)。曲线左端取全量时一定回落到 1——因为取所有人就等于随机抽。所以好的模型曲线开头高高翘起,越早掉回 1,说明排序越准、头部越“纯”。
打个比方:HR 收到 1000 份简历,其中 100 份真的合适(基准率 10%)。随手抽 100 份,大概命中 10 个;若先用一套规则挑出“最像的”100 份,命中 40 个,这套规则在头部 10% 的 Lift 就是 4。Lift 曲线就是把这个“头部效率”从 1% 一路读到 100% 画出来的形状。
和相邻概念的区别:
| 指标 | 纵轴含义 | 回答的问题 |
|---|---|---|
| Lift 曲线 | 相对随机的倍数 | 头部这批人值不值得投预算 |
| 累计提升图(Gain / 累计响应) | 累计抓到的正样本比例 | 覆盖了多少目标 |
| ROC 曲线(AUC) | 真正率 vs 假正率 | 整体排序能力好不好 |
关键差异:AUC 只看排序好坏,与业务量、基准率无关;Gain 看“抓到了多少”;Lift 看“效率是随机的几倍”,它依赖基准转化率,所以不同样本、不同时间段的 Lift 不能直接横向比。
实际意义:营销名单、风控拦截、欺诈识别、流失召回,本质都是“预算有限,只能触达一部分人”。业务方真正关心的是“Top 10% 能带来几倍效率”,Lift 恰好把这个翻译成人话,方便定阈值、算投入产出。使用时注意三点:曲线尾部样本少、抖动大,别盯着后半段下结论;训练集上的 Lift 偏乐观,要留出验证集或跨时间验证;报告时写清“Top 多少比例、在哪个样本上、基准率是多少”,否则数字没有意义。具体工具默认实现以官方文档为准。
