AUC（Area Under Curve）是ROC曲线下的面积，用于评估分类模型的性能。AUC越大，说明分类器的性能越好。ROC（Receiver Operating Characteristic）曲线是以不同的阈值为基础，绘制真正例率（True Positive Rate）和假正例率（False Positive Rate）之间的曲线。ROC曲线可以直观地展示分类器在不同阈值下的性能表现。KS（Kolmogorov-Smirnov）统计量是评估分类器性能的一种指标，是衡量正负样本分布差异的程度。KS值越大，说明分类器的性能越好。Gini系数是评估分类模型性能的一种指标，用于衡量分类器的纯度和不确定性。Gini系数越大，说明分类器的性能越好。

常用的分类模型的评估指标包括以下几种：

A: AUC (Area Under the Curve)
B: ROC (Receiver Operating Characteristic)
C: KS (Kolmogorov-Smirnov)
D: Gini系数

正确答案是：A, B, C, D

分析如下：

1. **AUC (Area Under the Curve)**：
- AUC是ROC曲线下面积的简称。它表示分类模型的性能，数值范围在0.5到1之间，数值越大表示模型的分类效果越好。AUC值越接近1，表明模型的判别能力越强。

2. **ROC (Receiver Operating Characteristic)**：
- ROC曲线是通过改变分类阈值绘制的真阳性率（TPR）与假阳性率（FPR）之间的关系图。ROC曲线越接近左上角，模型的性能越好。ROC曲线本身是一个评估工具，而AUC是对ROC曲线的量化评估。

3. **KS (Kolmogorov-Smirnov)**：
- KS统计量是衡量模型区分好坏样本能力的一个指标，取值范围在0到1之间。它表示在某个阈值下，正样本和负样本累计分布函数之间的最大差异。KS值越大，模型的区分能力越强。

4. **Gini系数**：
- Gini系数是AUC的另一种表现形式，计算公式为Gini = 2 * AUC - 1。Gini系数的取值范围在0到1之间，数值越大表示模型的分类效果越好。

这些指标都是用来评估分类模型性能的重要工具，各自从不同角度衡量模型的分类能力。