KS（Kolmogorov-Smirnov）指标是一种常用于评估分类模型性能的指标，它可以帮助我们判断模型的区分能力。KS曲线是一种可视化KS指标的方法，通过绘制累积分布函数（CDF）曲线来展示模型在不同阈值下的表现。

KS指标的计算步骤如下：

1. 首先，根据模型预测的概率值将样本进行排序，从高到低排列。

2. 然后，计算累积好坏样本的比例，即累积分布函数（CDF）。

3. 接着，计算好坏样本的累积比例差值，即KS值，KS = |好样本累积比例 - 坏样本累积比例|。

KS曲线的绘制步骤如下：

1. 将样本按照模型预测的概率值从高到低排序。

2. 计算每个阈值下的好样本和坏样本的累积比例。

3. 绘制累积好样本比例曲线和累积坏样本比例曲线，并标注KS值。

下面是一个使用Python绘制KS曲线的示例代码：

在上述示例中，我们假设模型预测的概率值为`[0.2, 0.4, 0.6, 0.8, 0.3, 0.5, 0.7, 0.9]`，样本的真实标签为`[1, 0, 1, 0, 1, 0, 1, 0]`。首先，我们根据预测概率值对样本进行排序，得到排序后的概率值和真实标签。然后，计算累积好样本比例和累积坏样本比例。最后，绘制累积好样本比例曲线和累积坏样本比例曲线，并计算KS值。

通过绘制KS曲线，我们可以直观地观察到模型在不同阈值下的好坏样本区分能力。KS值越大，表示模型的区分能力越强。例如，如果KS值为0.8，说明模型在某个阈值下，好样本的累积比例比坏样本的累积比例高出了0.8，这意味着模型能够较好地区分好坏样本。

需要注意的是，KS曲线的斜率越大，表示模型的区分能力越强。当KS曲线达到最大值时，对应的阈值就是最佳阈值，可以用于分类模型的预测。