我们可以表示平面(x_1,x_2)中的点,并且对y∈{0,1}中的y 使用不同的颜色。...在上图中,我们有4个点:阈值左侧的那些点(预测为0),如果位于底部,则分类很好,而位于顶部的分类很差;在阈值的右边(并且预测为1),如果它们位于顶部,则可以很好地分类,而底部则不能很好地分类
plot...也可以用函数计算
auc.perf@y.values[[1]][1] 0.87
我们尝试另一个分类器:仍然是逻辑回归,但要考虑通过将第二个变量分割成两个而获得的因子1 [s,∞) x2)
abline...如果绘制ROC曲线,我们得到
plot(t(V),type="l"segments(0,0,1,1,col="light blue")
?
这次,曲线是线性的。...上图中的蓝色对角线恰好是随机分类器,这是我们随机预测的结果
pred = prediction(S,Y)plot(performance(pred,"tpr","fpr"))
?