通常，逻辑回归的目标只是将观测值分类为模型所描述的两种可能结果之一。 我们已经讨论过，如何根据一组独立变量（X）的值来计算“成功”（Y=1）的概率。分类的过程是利用该预测概率，并应用以下规则：

1.定义一个阈值（介于0和1之间）

2.确定观察值的成功概率，并将其与阈值进行比较

3.如果计算出的概率大于阈值，则将该观察值分类为“成功”；如果计算出的概率小于阈值，则将该观察值分类为“失败”

Prism 提供了两种基于逻辑回归模型对数据进行分类后报告结果的方法。它们包括 ROC曲线下面积 (AUC) 和 2x2 分类表，具体说明如下。

ROC曲线下面积（AUC）

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 的表现。 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。 要更详细地理解报告中的AUC值，请参考逻辑回归中ROC曲线的一些极端示例。

分类表（2×2）

分类表是一个 2×2 表格，显示在用户指定的分类临界值下正确分类的值数量。该表包含四个条目，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 的百分比、总观测值中正确分类的百分比，以及阳性检验力和阴性检验力。

•观测（输入）的0的总数 = A + B

•观测（输入）的1的总数 = C + D

•预测的0的总数 = A + C

•预测的“1”总数 = B + D

•观测到的0中被正确分类的百分比 = (A/(A+B))*100

•观测到的1中正确分类的百分比 = (D/(C+D))*100

•所有观测值中正确分类的比例 = ((A+D)/(A+B+C+D))*100

•阴性检验力（%）= (A/(A+C))*100

•阳性预测检验力（%）= (D/(B+D))*100

还有许多其他值可以从分类表中获得，但Prism并未直接报告这些值。例如，从这类数据中常可获得的值包括错误发现率（B/(B+D)）、假阴性率（C/(C+D)）等。 如需了解更多信息，请阅读有关可从分类表中计算出的值的详细说明。

另请注意，还有两个常见指标——灵敏性和特异性——可从分类表中计算得出。对于所选的阈值（默认值为 0.5），可根据分类表中的数值按以下公式计算灵敏性和特异性：

灵敏度 = D/(C+D)

特异性 = A/(A+B)

Prism 在“正确分类百分比”列中报告这些指标。“观察到的 1 被正确分类的百分比”即为敏感度，“观察到的 0 被正确分类的百分比”即为特异性。Prism 以百分比形式报告这些指标。