首先，我想重申其他人在评论中所说的话：这通常是一个难题，没有简单的解决方案。

考虑到这一点，当您的主要兴趣只是预测能力时，评估模型与逻辑回归模型拟合的一种方法是绘制 ROC。这是使用 R 中的包的示例（带有警告）：pROC

library(pROC)

#Fit three logistic models
m1 <- glm(case ~ age,data=infert,family=binomial())
m2 <- glm(case ~ age + parity + education + induced,
          data=infert,family=binomial())
m3 <- glm(case ~ age+parity+education+spontaneous+induced,
          data=infert,family=binomial())

#Plot the three ROCs, adding the AUC for each
plot.roc(infert$case,fitted(m1),print.auc = TRUE)
plot.roc(infert$case,fitted(m2),add=TRUE,col = "blue",
         print.auc=TRUE,print.auc.y = 0.45)
plot.roc(infert$case,fitted(m3),add = TRUE,col = "red",
         print.auc = TRUE,print.auc.y = 0.4)

基本思想是，仅从预测的角度来看，曲线下面积越大表明模型“更好”。

请注意，我的示例仅用于说明如何制作这样的图表，因为我使用样本内拟合值绘制了这些曲线，而不是使用交叉验证、引导或保留测试集获得的曲线，其中一般优先。

最后，我将重复我的警告，即这远不是评估模型拟合的方法。这只是一种仅限于评估预测准确性的方法。

您似乎想要的图表类型的一个很好的参考是 John Fox，“Effect Displays for Multinomial and Proportional-Odds Logit Models”，在 Sociological Methodology (2006) 中。参见他早期作品的引文。在他的线性回归文本随附的书中，他在 R 和 S-Plus 中实现了这些技术。