使用評估視窗

預設增益圖顯示模型的累積增益。若要檢視非累積增益，請按一下垂直軸上的 圖示，然後選取 [增益]。

為了進行比較，增益圖會根據所知的完整輸入資料呈現最佳模型。

模型的特異性就是真陰性率。若要導出偽陽性率，請用 1 減去特異性。偽陽性率 (標示為 1 – 特異性) 是 ROC 圖的 X 軸。模型的敏感度就是真陽性率。這是 ROC 圖的 Y 軸。因此，ROC 圖會呈現真陽性率如何隨著偽陽性率變更而改變。

良好的 ROC 圖的初始斜率非常陡，然後快速趨於平穩。也就是，對於觀測的每個誤分類而言，明顯有更多觀測正確分類。在沒有偽陽性與偽陰性的完美模型中，ROC 圖會從 (0,0) 開始、以垂直方式延續至 (0,1)，然後再以水平方式延續至 (1,1)。在此種情況下，模型會先正確地將每個觀測分類，才會出現一個誤分類。

ROC 圖包含兩條線，可協助您解釋 ROC 圖。第一條線是斜率為 1 的基線模型。這條線會模擬一個模型，其正確分類觀測與錯誤分類觀測的比率相同。理想的 ROC 圖會將基線模型與 ROC 圖之間的差距最大化。觀測分類錯誤比分類正確還多的模型會落在基線模型之下。第二條線是一條呈現偽陽性率的垂直線，其中 ROC 圖與基線模型的 Kolmogorov-Smirnov 值之間的差異已最大化。

誤分類圖顯示有多少觀測的分類正確和不正確。大量的誤分類可能表示模型不配適資料。

當資料中事件與非事件的比率相當大時，誤分類圖可能會顯示大量的真陽性和偽陽性。在此情況下，模型會將大部分觀測預測為事件，而且正確率頗高。

當回應長條數目設為 10 以上時，[評估] 視窗會呈現預測平均值和觀測平均值。使用此圖可以確定模型配適資料的程度。

[評估] 視窗會根據在評估屬性中指定的值將資料化為長條。將滑鼠置於每個長條的一或兩條線上，即可顯示工具提示。