如上图的混淆矩阵，我们可以确定预测模型的灵敏度和特异度。

灵敏度指的是模型“击中”的概率，也就是对于实际发生（取值为1）的样本，模型预测为1的概率。对应上图的公式为A/（A+B）。

特异度指的是模型“正确否定”的概率，也就是说对于实际没发生（取值为0）的样本，模型预测为0的概率。对应上图的公式为D/（C+D）。

因此，可以看到不管是灵敏度还是特异度，都是越高，说明我们的模型越有效。在实际应用中，由于逻辑回归模型计算的结果其实是一个相对可能性p，因此我们可以根据实际情况调整判断取值为1的p的标准。更有侧重性地提高灵敏度或者特异度。

除了使用混淆矩阵，我们还可以通过ROC曲线的方式来图形化地判断模型效果。

ROC曲线也是基于灵敏度和特异度来进行判断的。曲线下面积AUC指的是ROC曲线、底线和右侧线围成的面积。ROC曲线的面积一般在0.5-1之间。这个数值越接近1，表明模型预测能力越强。当AUC在0.7-0.9时，我们认为模型有较高的判断作用。而AUC接近0.5的时候，我们人为这个模型是无效的