在评估一个模型时，一个合理的问题可能是："该模型对数据中观察到的 0 和 1 的分类效果如何？

逻辑回归计算的是得到 "正 "结果（在数据表中编码为 1）的概率。要使用逻辑回归来预测一个新观察值是 "阳性 "还是 "阴性"，需要指定一个截断值，该值规定了被视为 "阳性 "的最小概率。标准的截断值是 0.5，这意味着如果预测概率大于 0.5，则该观测值将被归类为 "正"（或简单地归类为 1）。既然了解了临界值的意义，我们再来看看 Prism 提供的三种分类方法。

ROC 曲线下面积

ROC 曲线下面积（AUC）提供了一个综合值，表示模型在所有可能的截断值下对 0 和 1 的正确分类程度。AUC 值介于 0.5 和 1 之间，其中面积为 0.5 意味着模型预测结果为 1 或 0 的效果不比掷硬币好，而面积为 1 则意味着模型预测效果完美。下面是逻辑回归 ROC 曲线各种极端值的一些本示例。

分类表

分类表是一个 2x2 表格，显示用户指定临界值时正确分类的数值。该表有四个条目，报告了正确（和错误）预测的观察值 0（和 1）的数量。此外，分类表还将提供观察到的 1 和 0 的总数、预测到的 1 和 0 的总数、正确分类的 1 和 0 的百分比、正确分类的观察值总数的百分比以及正负检验力等信息。详情

行分类

行分类会生成一个包含两列的附加表。第一列包含数据表中选定的自变量（Y）列中值的副本。第二列包含与第一列中每个条目（每行）相对应的模型生成的预测概率。