在评估模型时，一个合理的问题可能是：“该模型在对数据中观察到的0和1进行分类时表现如何？”

逻辑回归用于计算获得“阳性”结果（在数据表中编码为1）的概率。若要利用逻辑回归预测新观测值是“阳性”还是“阴性”，需指定一个阈值，该阈值代表被视为“阳性”所需的最低概率。 标准阈值为0.5，这意味着如果预测概率大于0.5，则该观察值被分类为“阳性”（或简称为1）。既然我们已经了解了阈值的含义，接下来让我们看看Prism提供的三种分类方法。

ROC曲线下面积

ROC曲线下面积（AUC）提供了一个综合指标，反映模型在所有可能的阈值下正确分类0和1的性能。 AUC 值范围在 0.5 到 1 之间，其中 0.5 表示模型对结果为 1 或 0 的预测效果不比抛硬币好，而 1 表示模型预测完全准确。以下提供了一些来自逻辑回归的 ROC 曲线极端情况的示例。

分类表

分类表以2×2表格的形式呈现，显示在用户指定的分类临界值下正确分类的数值。该表格包含四个条目，分别报告被正确（和错误）预测的观察值（0和1）的数量。 此外，分类表还将提供以下信息：观测到的1和0的总数、预测的1和0的总数、正确分类的1和0所占的比例、总观测值中正确分类的比例，以及阳性检验力和阴性检验力。详情。

行分类

“行分类”会生成一个包含两列的附加表格。第一列包含数据表中选定自变量（Y）列值的副本。第二列包含模型生成的预测概率，这些概率对应于第一列中的每个条目（每行）。