什么被认为是好的AUC分数？Logistic回归是一种方法，当响应变量为二进制时，我们用它来拟合回归模型。为了评估逻辑

Logistic回归是一种方法，当响应变量为二进制时，我们用它来拟合回归模型。

为了评估逻辑回归模型对数据集的拟合程度，我们可以看一下以下两个指标。

视觉化这两个指标的一种方法是创建ROC曲线，即 "接受者操作特征 "曲线。

这是一个沿Y轴显示灵敏度，沿X轴显示（1-特异性）的图。

量化逻辑回归模型在数据分类方面表现如何的一种方法是计算AUC，它代表 "曲线下面积"。

AUC的值从0到1不等。一个AUC为1的模型能够完美地将观测数据分类，而一个AUC为0.5的模型并不比一个进行随机猜测的模型好。

学生们经常有一个关于AUC的问题是。

什么是好的AUC分数？

答案是。

什么是好的AUC分数，并没有具体的门槛。

显然，AUC分数越高，模型就越能将观测值归入类别。

我们知道，一个AUC分数为0.5的模型并不比一个进行随机猜测的模型好。

然而，没有一个神奇的数字可以决定AUC分数是好是坏。

如果我们必须给某些分数贴上好或坏的标签，我们可以参考Hosmer和Lemeshow在《应用Logistic回归》（第177页）中的以下经验法则。

根据这些标准，AUC得分低于0.7的模型将被认为是差的，而高于0.7的模型将被认为是可以接受或更好的。

重要的是要记住，什么是 "好 "的AUC分数因行业而异。

例如，在医疗环境中，研究人员经常寻求超过0.95的AUC分数，因为错误的成本很高。

例如，如果我们有一个预测病人是否会患癌症的逻辑回归模型，错误的代价（错误地告诉病人他们没有患癌症）是如此之高，以至于我们想要一个几乎每次都正确的模型。

相反，在其他行业，如市场营销，一个较低的AUC分数可能是可以接受的模型。

例如，如果我们有一个预测客户是否会成为回头客的模型，错误的代价并不是改变生命，所以一个AUC低至0.6的模型仍然是有用的。

在现实世界中，我们经常将新的逻辑回归模型的AUC分数与当前使用的模型的AUC分数进行比较。

例如，假设一家企业使用一个逻辑回归模型来预测客户是否会成为回头客。

如果当前模型的AUC分数为0.6，而你开发的新模型的AUC为0.65，那么你开发的新模型将是最好的，尽管它只提供了轻微的改进，按照Hosmer和Lemeshow的标准将被视为 "差"。

以下教程提供了关于如何创建和解释ROC曲线和AUC分数的额外信息。