Logistic回归是一种统计方法，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。
- 敏感性： 当观察结果确实为阳性时，模型预测为阳性结果的概率。这也被称为 "真阳性率"。
- 特异性： 当一个观察结果确实是阴性时，该模型预测阴性结果的概率。这也被称为 "真阴性率"。
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越接近于1，模型就越好。
下面的步骤显示了如何在Python中计算一个逻辑回归模型的AUC。
第一步：导入软件包
首先，我们将导入在Python中进行逻辑回归所需的软件包：
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn import metrics
第2步：拟合Logistic回归模型
接下来，我们将导入一个数据集，并对其进行逻辑回归模型拟合：
#import dataset from CSV file on Github
url = "https://raw.githubusercontent.com/Statology/Python-Guides/main/default.csv"
data = pd.read_csv(url)
#define the predictor variables and the response variable
X = data[['student', 'balance', 'income']]
y = data['default']
#split the dataset into training (70%) and testing (30%) sets
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3,random_state=0)
#instantiate the model
log_regression = LogisticRegression()
#fit the model using the training data
log_regression.fit(X_train,y_train)
第3步：计算AUC
我们可以使用**metrics.roc_auc_score()**函数来计算模型的AUC：
#use model to predict probability that given y value is 1
y_pred_proba = log_regression.predict_proba(X_test)[::,1]
#calculate AUC of model
auc = metrics.roc_auc_score(y_test, y_pred_proba)
#print AUC score
print(auc)
0.5602104030579559
这个特定模型的AUC（曲线下面积）是0.5602。
回顾一下，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。
因此，在大多数情况下，一个AUC分数为0.5602的模型会被认为在将观测值分类到正确的类别方面很差。
其他资源
下面的教程提供了关于ROC曲线和AUC分数的额外信息：
