如何解释ROC曲线？

我对我在SAS上的数据应用了逻辑回归，这是ROC曲线和分类表。

我对分类表中的数字感到满意，但不确定roc曲线及其下的面积是什么。任何解释将不胜感激。

在进行逻辑回归时，将为您提供两个编码为和。现在，您可以计算给定一些解释性变量的概率，该概率属于一个个人，其编码为。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归为类，并归类为0 1 1 $1$$0$$1$$1$$0$，大多数情况下您会犯一些错误，因为通常无法完美地区分两组。对于此阈值，您现在可以计算错误以及所谓的敏感性和特异性。如果对许多阈值执行此操作，则可以通过针对许多可能阈值绘制灵敏度对1-Specificity的曲线来构建ROC曲线。如果您想比较尝试区分两个类别的不同方法（例如判别分析或概率模型），曲线下的区域将发挥作用。您可以为所有这些模型构建ROC曲线，并且曲线下面积最大的ROC曲线可以视为最佳模型。

如果您需要更深入的了解，还可以通过单击此处阅读有关ROC曲线的其他问题的答案。

AUC基本上只是告诉您，从带有1标签的数据的预测响应概率中随机抽取的频率要大于从带有0标签的数据的预测响应概率中随机抽取的频率。

逻辑回归模型是直接概率估计方法。分类在其使用中不起作用。除非常特殊的紧急情况外，任何不基于评估各个主题的效用（损失/成本函数）的分类都是不合适的。ROC曲线在这里没有帮助；像总体分类准确性一样，敏感性或特异性也不是由伪造模型优化的不正确的准确性评分规则，而伪造模型并未通过最大似然估计进行拟合。

请注意，通过过度拟合数据可以实现较高的预测辨别力（较高的指数（ROC区域））。在的最不频繁类别中，您可能需要至少观测值，其中是要考虑的候选预测变量的数量，以便获得一个没有明显过拟合的模型（即，一个可能在新数据上起作用的模型）以及在训练数据上的效果]。您仅需要估计至少96个观察值，即可估计截距，以使预测风险的误差范围为，置信度为0.95。15 p ý p ≤ $c$$15p$$Y$$p$$\leq 0.05$

我不是该博客的作者，我发现此博客非常有帮助：http : //fouryears.eu/2011/10/12/roc-area-under-the-curve-explained

将此解释应用于您的数据，平均阳性样本中约10％的阴性样本得分高于该样本。