和二值 Logistic 回归的受试者工作特征（ROC）曲线图拟合二元 Logistic 模型

训练数据或无验证

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。

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：

使用与训练数据集过程相同的步骤，但从检验数据集的案例中计算事件概率。

使用与训练数据集过程相同的步骤，但从交叉验证数据的案例中计算事件概率。