✨ 欢迎关注Python机器学习AI ✨
本节介绍：基于
《
Radiotherapy and Oncology
》
中
展示通过约登指数确定的最佳阈值。这一阈值在ROC曲线中对应了一个特定的点，最大化了灵敏度与特异性的和。该结果通过计算不同的决策阈值来找到，旨在帮助优化模型的性能
，数据采用模拟数据无任何现实意义，作者根据个人对机器学习的理解进行代码实现与图表输出，细节并不保证与原文一定相同，仅供参考。
详细数据和代码将在稍后上传至交流群，付费群成员可在交流群中获取下载。需要的朋友可关注公众文末提供的购买方式。
购买前请咨询，避免不必要的问题。
✨ 论文信息 ✨
✨
论文原图
✨
✨ 仿图 ✨
✨ 仿图解读 ✨
组图展示了通过ROC曲线来分析模型的表现，并展示了通过约登指数确定的最佳阈值
ROC曲线 - 训练和测试集
：
- 左侧图展示了训练集和测试集的ROC曲线。紫色曲线代表训练集，绿色曲线代表测试集。两个曲线的AUC（曲线下面积）分别为0.985和0.920，表明训练集的表现优于测试集
- 右侧图上标出了每个曲线的最佳阈值，并附带了灵敏度和特异性指标。例如，在训练集中的最佳阈值为0.381，灵敏度为0.979，特异性为0.884；在测试集中的最佳阈值为0.398，灵敏度为0.881，特异性为0.833
ROC曲线 - 测试集
：
- 左侧图展示了模型在测试集上的ROC曲线，其中绿色曲线是模型的表现，红色虚线是随机猜测的基准
- 右侧图在该曲线上标出了最佳阈值（0.398），红点指示了通过约登指数确定的最佳决策阈值，此时模型的灵敏度和特异性之间的权衡达到了最佳状态
反映了模型在不同数据集（训练集和测试集）上的表现，并且通过选择最优的阈值来平衡模型的灵敏度与特异性，这种方法同样可以扩展到多数据集或多模型的展示，以更全面地评估模型的泛化能力和预测性能
✨ 购买介绍 ✨
本节介绍到此结束，有需要学习数据分析和Python机器学习相关的朋友欢迎到 淘宝店铺：Python机器学习AI，或添加作者微信deep_ML联系 ，购买作者的公众号合集。截至目前为止，合集已包含200多篇文章，购买合集的同时，还将提供免费稳定的AI大模型使用，包括但不限于ChatGPT、Deepseek、Claude等。
更新的内容包含数据、代码、注释和参考资料。
作者仅分享案例项目，不提供额外的答疑服务。项目中将提供详细的代码注释和丰富的解读，帮助您理解每个步骤
。
购买前请咨询，避免不必要的问题。
✨ 群友反馈 ✨
✨ 淘宝店铺 ✨
请大家打开淘宝扫描上方的二维码，进入店铺，获取更多Python机器学习和AI相关的内容，或者添加作者微信 deep_ML联系
避免淘宝客服漏掉信息
，希望能为您的学习之路提供帮助！
✨ 往期推荐 ✨
期刊配图：SHAP可视化改进依赖图+拟合线+边缘密度+分组对比
期刊配图：SHAP蜂巢图与柱状图多维组合解读特征对模型的影响
期刊配图：回归模型对比如何精美可视化训练集与测试集的评价指标
期刊配图：如何同时可视化多个回归模型在训练集与测试集上的预测效果
期刊配图：SHAP可视化进阶蜂巢图与特征重要性环形图的联合展示方法
如果你对类似于这样的文章感兴趣。
欢迎关注、点赞、转发~
个人观点，仅供参考