逻辑斯蒂回归_机器学习7.1B 结合逻辑斯蒂回归模型说明ROC曲线

说清楚了ROC曲线的映射关系TPR=f(FPR)以后，我们来结合逻辑斯蒂回归来对ROC曲线进行说明。

假如现在有一个二分类问题，是对来就诊的病人进行一个检查。如果检测结果数值很高，则患病的概率就很高；反之则患病的概率很低。现在我们收集到了7为患者的检测结果，其中367号患者是真的患病了(y=1)，1245则没有患病(y=0)。

现在我们对其进行逻辑回归，得到了图中的逻辑回归曲线。如我们前面说过的，这个曲线代表的是P(y=1|x)，也就是当特征取值为x的时候，样本呈阳性的概率是多少。比如在下图中，模型就认为7号样本呈阳性的概率非常高，已经很接近1了；而1号样本呈阳性的概率就相当低，接近于0

接下来的问题，就是模型将如何设定判别点，也就是说，当检测结果x超过多少的时候，我们的模型会判断患者患病。

最严厉的判别界

最严厉的做法，是将检测结果的门槛设为非常大，这样所有的患者都会被判作是阴性。

在这样的情况下，如果我们计算ROC曲线的横纵坐标，

l  纵坐标TPR=TP/(TP+FN)，因为全部的样本都被判为了阴性，因此TP=0，TPR也就是0

l  横坐标FPR=FP/(TP+FN)，因为全部的样本都被判为了阴性，因此FP=0，FPR也就是0

也就是说，如果我们将判别界设为一个很大的值，那么对应在ROC曲线上应该是(0,0)点，任何比这个判别界严格的判别界(也就是判别界继续向右移动)，ROC曲线上都是0点，不会再变化了。

最松弛的判别界

最松弛的做法，是将检测结果的门槛设为非常小，比如只要检测结果大于零就判作是阳性，这样所有的患者都会被判作是阳性。

在这样的情况下，如果我们计算ROC曲线的横纵坐标，

l  纵坐标TPR=TP/(TP+FN)，因为全部的样本都被判为了阳性，因此FN=0，TPR=TP/TP=1

l  横坐标FPR=FP/(FP+TN)，因为全部的样本都被判为了阴性，因此TN=0，FPR=FP/FP=1

也就是说，如果我们将判别界设为一个很小的值，那么对应在ROC曲线上应该是(1,1)点，任何比这个判别界松弛的判别界(也就是判别界继续向左移动)，ROC曲线上都是(1,1)点，不会再变化了。

好了，最严格的判别界对应的是(0,0)点，最松弛的判别界对应的是(1,1)点，接下来就是各个位于中间的判别界，在ROC上对应的点是多少了。