这使用“观测配对”来评估模型。
观测配对是从数据集所有的目标事件中取一个观测数据、从所有的非目标事件中取一个观测数据，构成一对观测。
n个目标事件
N-n个非目标事件(N为总观测数)
存在n*（N-n）=P种观测配对组合，即pairs
如下几个定义：
协调配对：从目标事件中抽取的观测的模型预测值 > 从非目标事件中抽取的观测的模型预测值
不协调配对：从目标事件中抽取的观测的模型预测值 < 从非目标事件中抽取的观测的模型预测值
平分配对：从目标事件中抽取的观测的模型预测值 = 从非目标事件中抽取的观测的模型预测值
协调配对组数/P=Concordant;不协调配对组数/P=Discordant;平分配对组数/P=Tied
Somers'D=Concordant-Discordant
Gamma=(Concordant-Discordant)/(Concordant+Discordant)
Tau-a=(Concordant-Discordant)*P/(0.5*N*(N-1))
C=0.5+(Concordant-Discordant)/2

总之，模型越好，协调配对的占比就越大，不协调配对的占比就越小，上述四种统计量也就越大。

顶顶。。大神呢。

这个cutoff值的设置不是绝对的，因为要结合你预测的响应概率的分布。而且这模型预测出来的响应概率并不是真实的发生概率，只是在比较时它的响应概率越大越容易响应，这更有实际意义。
判断准确率最好还要结合ROC曲线与十等分位法评估。