当你进行逻辑回归时，你会得到两个编码为和的类。现在，您计算给定一些解释变量的个人属于编码为的类的概率。如果您现在选择一个概率阈值，并将概率大于此阈值的所有个体分类为类，低于此阈值的个体分类为$1$$0$$1$$1$$0$，在大多数情况下，您会犯一些错误，因为通常无法完美区分两组。对于这个阈值，您现在可以计算您的错误以及所谓的敏感性和特异性。如果您对许多阈值执行此操作，则可以通过绘制许多可能阈值的灵敏度与 1-Specificity 来构建 ROC 曲线。如果您想比较试图区分两个类别的不同方法，例如判别分析或概率模型，曲线下的区域就会发挥作用。您可以为所有这些模型构建 ROC 曲线，曲线下面积最大的模型可以被视为最佳模型。

如果您需要更深入地了解，还可以通过单击此处阅读有关 ROC 曲线的不同问题的答案。

AUC 基本上只是告诉您从 1 标记数据上的预测响应概率中随机抽取的频率将大于从 0 标记数据上的预测响应概率中随机抽取的频率。

逻辑回归模型是一种直接概率估计方法。分类在其使用中不应发挥作用。任何不基于评估个体受试者的效用（损失/成本函数）的分类都是不合适的，除非在非常特殊的紧急情况下。ROC 曲线在这里没有帮助；敏感性或特异性都不是，与整体分类准确度一样，它们都是不正确的准确度评分规则，由不适合最大似然估计的虚假模型优化。

请注意，您可以通过过度拟合数据来实现高预测歧视（高指数（ROC 区域））。您可能需要在的最不频繁类别中观察，其中是正在考虑的候选预测变量的数量，以便获得一个不会显着过度拟合的模型[即，一个可能适用于新数据的模型大约以及它在训练数据上的工作]。您需要至少 96 次观察来估计截距，以使预测风险的误差幅度和 0.95 置信度。$c$$15p$$Y$$p$$\leq 0.05$

我不是这个博客的作者，我发现这个博客很有帮助： http: //fouryears.eu/2011/10/12/roc-area-under-the-curve-explained

将此解释应用于您的数据，平均正面示例中大约 10% 的负面示例得分高于它。