只是补充一点。

就像之前提到的那样，如果您有一个分类器（概率），您的输出是一个概率（0 到 1 之间的数字），理想情况下，您想说大于 0.5 的所有内容都属于一类，小于 0.5 的内容属于其他类。

但是，如果您对癌症发生率进行分类，您会非常关注假阴性（告诉某些人他没有癌症，但实际上他确实患有癌症），而假阳性（告诉某人他确实患有癌症，而实际上他没有患癌）并不那么重要（ IDK - 被告知您患有癌症可能在心理上非常昂贵）。因此，您可能会人为地将阈值从 0.5 移动到更高或更低的值，以改变模型的总体灵敏度。

通过这样做，您可以为不同的阈值生成 ROC 图。

分类器通常返回属于某个类的概率。例如，在逻辑回归中，预测值是属于非参考类的预测概率或$\text{Pr}(Y = 1)$. 判别阈值只是将观察值分配给每个类别的预测概率的截止值。