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"))
?
