“Logistic”平台包含一个选项，用来拟合 Logistic 回归模型的受试者操作特征 (ROC) 曲线。“Logistic”平台中的“ROC 曲线”选项使用平台启动窗口中的“目标水平”作为 ROC 曲线中的正响应水平。请参见ROC 曲线的示例。
假设您有一个 X 变量的值，它是一个诊断测量值，并且您想确定 X 变量的阈值，该值指示以下内容：
• 若 X 变量的值大于阈值，则条件存在。
• 若 X 变量的值小于阈值，则条件不存在。
例如，您可以测量血液成分水平作为诊断检验以预测某种癌症。考虑当更改阈值时诊断检验的情况，它会导致更多或更少假阳性和假阴性。然后您标绘这些比率。理想情况是在很窄范围的 X 变量值能最好地区分真阴性和真阳性。受试者操作特征 (ROC) 曲线显示这一转变以多快速度发生。ROC 曲线的目标是得到最大化曲线下的面积的诊断。
医学中使用了两个标准定义：
• 灵敏度是给定的 X 变量值正确预测现有条件的概率。对于给定的 x 值，错误预测某一现有条件的概率为 1 – 灵敏度。
• 特异度是检验正确预测条件不存在的概率。
ROC 曲线是显示 X 变量的每个值的（1 – 特异度）-灵敏度图。ROC 曲线下的面积是用于汇总曲线所含信息的常见指数。
若检验预测效果好，将有一个值，整个异常人群所在的值范围将落在该值之上且所有正常值范围将落在该值之下。它将非常灵敏并穿过网格上的点 (0, 1)。ROC 曲线离这个理想点越近，它的判别能力越强。没有预测能力的检验生成一条沿网格对角线的曲线（DeLong 和其他人 1988）。
ROC 曲线是对假阳性率和真阳性率之间关系的图形化表示。估计该关系的标准方法是使用曲线下的面积，它显示在报表中的图下方。在该图中，在 ROC 曲线的切线处绘制了一条黄色的 45 度角线。这标志着使灵敏度和特异度之和最大化的截止点。