如上圖的混淆矩陣，我們可以確定預(yù)測模型的靈敏度和特異度。

靈敏度指的是模型“擊中”的概率，也就是對于實(shí)際發(fā)生（取值為1）的樣本，模型預(yù)測為1的概率。對應(yīng)上圖的公式為A/（A+B）。

特異度指的是模型“正確否定”的概率，也就是說對于實(shí)際沒發(fā)生（取值為0）的樣本，模型預(yù)測為0的概率。對應(yīng)上圖的公式為D/（C+D）。

因此，可以看到不管是靈敏度還是特異度，都是越高，說明我們的模型越有效。在實(shí)際應(yīng)用中，由于邏輯回歸模型計(jì)算的結(jié)果其實(shí)是一個相對可能性p，因此我們可以根據(jù)實(shí)際情況調(diào)整判斷取值為1的p的標(biāo)準(zhǔn)。更有側(cè)重性地提高靈敏度或者特異度。

除了使用混淆矩陣，我們還可以通過ROC曲線的方式來圖形化地判斷模型效果。

ROC曲線也是基于靈敏度和特異度來進(jìn)行判斷的。曲線下面積AUC指的是ROC曲線、底線和右側(cè)線圍成的面積。ROC曲線的面積一般在0.5-1之間。這個數(shù)值越接近1，表明模型預(yù)測能力越強(qiáng)。當(dāng)AUC在0.7-0.9時，我們認(rèn)為模型有較高的判斷作用。而AUC接近0.5的時候，我們?nèi)藶檫@個模型是無效的