如何解释逻辑回归模型中的分类表

Question

这个问题是从 Stack Overflow 迁移过来的，因为它可以在 Cross Validated 上得到回答。 4 天前迁移。

我完成了一个逻辑回归模型和一个分类表，但我不确定如何解释这个表的结果。

输出如下

                   Predicted_Value
       Actual_Value FALSE TRUE
                 0   515   37
                 1    89  109

Answer 1

经典逻辑回归输出概率 [0-1]，当您训练模型时，患者的实际观察值具有值“1”。

为了获得二进制预测值，您需要在输出的概率向量上设置阈值。

这样做是为了获得列联表，评估您的预测模型与实际值相比的准确程度。

在这里，您可以计算例如准确度、灵敏度、特异性。

Accuracy = (109 + 515) / sum(tab) = 83.2% correctly predicted patients  
Sensitivity = 109 / (109 + 89) = 55.0% correctly predicted Positive patients  
Specificity = 515 / (515 + 37) = 92.3% correctly predicted Negative patients  

如果你改变你的截止值，那么你或多或少会有积极预测的患者； 这将影响您的绩效标准，因此您可以选择临界值。

在这里我们不讨论训练和验证集，但是如果您想知道您的模型是否健壮，这些信息很重要。