使用評估視窗
關於評估視窗
對於羅吉斯迴歸，[評估] 視窗會呈現增益、ROC 和誤分類率。使用 [評估] 視窗確定模型配適資料的程度。
增益是每個百分位數長條內已擷取回應的百分比與模型的平均回應百分比的比率。同樣地，累積增益的計算方式是使用截至目前為止的所有資料並包含目前的百分位數長條。
接受者操作特徵 (ROC) 圖顯示模型避免偽陽性和偽陰性分類的能力。偽陽性分類表示將實際上非事件的觀測識別為事件 (也稱為類型 I 誤差)。偽陰性分類表示將實際為事件的觀測識別為非事件
(也稱為類型 II 誤差)。
誤分類圖顯示對回應變數的每個值而言，有多少觀測的分類正確和不正確。當回應變數不是二進位時，羅吉斯迴歸模型會將不是事件的所有層級視為相等。大量的誤分類可能表示模型不配適資料。
使用評估視窗
ROC
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。