我理解当输出是概率时构建 ROC 曲线，例如，来自逻辑回归模型。您可以通过改变截止阈值来构建 ROC 曲线。
但是这种形式的决策树呢：
if attribute_1 > x:
decision = positive
else:
if attribute_2 < y:
decision = position
else:
decision = negative
您可以调整这两个属性的截止值，所有这些都会影响您的混淆矩阵。当有多个阈值时，构建 ROC 曲线是否有意义？
谢谢
ROC 曲线与模型的工作方式无关，而是与它的输出有关。如果目标是二元的并且您的模型输出介于 0 到 1 之间的任何值（例如 [0, 0.2, 0.4, ..., 1] 或连续概率），那么构建 ROC 曲线是有意义的。相反，如果您的模型的唯一输出是 0 或 1，那么 ROC 曲线将毫无用处，计算精度和召回率等更简单的指标会更有意义。
我说这是有道理的。
ROC 曲线绘制灵敏度和特异性。虽然这些是阈值的函数，但阈值本身不会出现在 ROC 曲线上。
因此，当您在阈值的各种值下计算敏感性和特异性时，您会得到可以放在图表上的敏感性-特异性配对。
我没有这两种情况的例子，但我发现这样的情节可能会表现出奇怪的行为，例如减少或形成循环，这似乎是合理的。这将向我表明我的方法可能没有多大意义，但没有什么能阻止你绘制这些点。