拟合二元 Logistic 模型的接受者抽检特征 (ROC) 曲线图

点在 ROC 曲线上的过程取决于验证方法。

训练数据集或无验证

对于训练数据集的图表,图表上的每个点都表示可区分的拟合事件概率。最高事件概率是图表上的第一个点,显示在最左侧。其他终端节点按事件概率递减的顺序排列。

使用以下过程查找图表的 x 坐标和 y 坐标。

  1. 使用每个事件概率作为阈值。对于特定阈值,估计事件概率大于或等于阈值的案例将获得 1 作为预测类别,否则获得 0。然后,可以为所有案例形成一个 2x2 的表,以观测类别作为行,以预测类别作为列来计算每个事件概率的假阳率和真阳率。假阳率是图表的 x 坐标。真阳率是 y 坐标。

    例如,假设下表汇总了具有两个两水平类别预测变量的模型。这些预测变量提供四个可区分事件概率,四舍五入至小数点后 2 位:

    A:顺序 B:预测变量 1 C:预测变量 2 D:事件数 E:非事件数 F:试验数 G:阈值 (D/F)
    1 1 1 18 12 30 0.60
    2 1 2 25 42 67 0.37
    3 2 1 12 44 56 0.21
    4 2 2 4 32 36 0.11
    合计 59 130 189

    以下是相应的四个表,它们各自的假阳率和真阳率四舍五入至小数点后 2 位:

    表 : 1. 阈值 = 0.60.

    假阳率 = 12 / (12 + 118) = 0.09

    真阳率 = 18 / (18 + 41) = 0.31

    预测
    事件 非事件
    观测 事件 18 41
    非事件 12 118
    表 : 2. 阈值 = 0.37.

    假阳率 = (12 + 42) / 130 = 0.42

    真阳率 = (18 + 25) / 59 = 0.73

    预测
    事件 非事件
    观测 事件 43 16
    非事件 54 76
    表 : 3. 阈值 = 0.21.

    假阳率 = (12 + 42 + 44) / 130 = 0.75

    真阳率 = (18 + 25 + 12) / 59 = 0.93

    预测
    事件 非事件
    观测 事件 55 4
    非事件 98 32
    表 : 4. 阈值 = 0.11.

    假阳率 = (12 + 42 + 44 + 32) / 130 = 1

    真阳率 = (18 + 25 + 12 + 4) / 59 = 1

    预测
    事件 非事件
    观测 事件 59 0
    非事件 130 0

使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策