了解二元响应回归图
Understanding Graph of Binary Response Regression
请参考这张图：
我相信它是使用 R 或 SAS 或其他东西生成的。我想确保我理解它所描述的内容并从头开始重新创建它。
我了解左侧的 ROC 曲线，并且我在不同的阈值下使用概率模型生成了自己的曲线。
我不明白的是右手边的图。 'cost' 函数是什么意思？单位是什么？我假设标记为 'threshold' 的 x 轴是我在 ROC 中使用的成功截止阈值。我唯一的猜测是 Y 轴是残差平方和？但如果是这样的话，我必须在每次迭代阈值后得到残差吗？
请解释轴是什么以及如何计算它们。
--编辑--
为清楚起见，我不需要证明或一行代码。因为我使用不同的统计软件，所以让某人从概念上（使用最少的行话）解释如何计算 Y 轴会更有用。这样我就可以用我的软件语言来编写它。
谢谢
我会尽量说清楚。术语成本函数可以在多种情况下使用，它可以有多种含义。通常，当我们在回归模型的上下文中使用该术语时，我们自然会想到最小化残差平方和。
然而，不是这里的情况（我们仍然这样做是因为我们对最小化函数感兴趣，但该函数在算法中并没有被最小化，比如平方残差）。让我详细说明第二张图的含义。
正如@oshun 正确提到的 R-blogger post 的作者（这些图来自哪里）想要找到一个度量（即一个数字）来比较分类的 "mistakes"在不同的阈值点。为了做到这一点并创建这些措施，他做了一些非常直观和简单的事情。他计算了不同级别阈值的误报和漏报。他使用的函数是：
sum(df$pred >= threshold & df$survived == 0) * cost_of_fp + #false positives
sum(df$pred < threshold & df$survived == 1) * cost_of_fn #false negatives
我故意把上面的分成两行。第一行计算误报（预测 >= 阈值意味着算法将乘客分类为幸存者但实际上他们没有 - 即幸存者等于 0）。第二行做同样的事情，但计算假阴性（即那些被预测为未存活但实际上存活的那些）。
现在让我们来看看 cost_of_fp 和 cost_of_fn 是什么。这些只不过是权重，由用户任意设置。在上面的例子中，作者使用了 cost_of_fp = 1 和 cost_of_fn = 3。这仅意味着就成本函数而言，假阴性比假阳性重要 3 倍。因此，在成本函数中，任何假阴性都乘以 3，以增加假阳性 + 假阴性的数量（这是成本函数的结果）。
综上所述，上图中的y轴就是：
false_positives * weight_fp + false_negatives * weight_fn
对于阈值的每个值（用于计算false_positives和false_negatives）。
我希望现在一切都清楚了。
请参考这张图：
我相信它是使用 R 或 SAS 或其他东西生成的。我想确保我理解它所描述的内容并从头开始重新创建它。
我了解左侧的 ROC 曲线，并且我在不同的阈值下使用概率模型生成了自己的曲线。
我不明白的是右手边的图。 'cost' 函数是什么意思？单位是什么？我假设标记为 'threshold' 的 x 轴是我在 ROC 中使用的成功截止阈值。我唯一的猜测是 Y 轴是残差平方和？但如果是这样的话，我必须在每次迭代阈值后得到残差吗？
请解释轴是什么以及如何计算它们。
--编辑-- 为清楚起见，我不需要证明或一行代码。因为我使用不同的统计软件，所以让某人从概念上（使用最少的行话）解释如何计算 Y 轴会更有用。这样我就可以用我的软件语言来编写它。
谢谢
我会尽量说清楚。术语成本函数可以在多种情况下使用，它可以有多种含义。通常，当我们在回归模型的上下文中使用该术语时，我们自然会想到最小化残差平方和。
然而，不是这里的情况（我们仍然这样做是因为我们对最小化函数感兴趣，但该函数在算法中并没有被最小化，比如平方残差）。让我详细说明第二张图的含义。
正如@oshun 正确提到的 R-blogger post 的作者（这些图来自哪里）想要找到一个度量（即一个数字）来比较分类的 "mistakes"在不同的阈值点。为了做到这一点并创建这些措施，他做了一些非常直观和简单的事情。他计算了不同级别阈值的误报和漏报。他使用的函数是：
sum(df$pred >= threshold & df$survived == 0) * cost_of_fp + #false positives
sum(df$pred < threshold & df$survived == 1) * cost_of_fn #false negatives
我故意把上面的分成两行。第一行计算误报（预测 >= 阈值意味着算法将乘客分类为幸存者但实际上他们没有 - 即幸存者等于 0）。第二行做同样的事情，但计算假阴性（即那些被预测为未存活但实际上存活的那些）。
现在让我们来看看 cost_of_fp 和 cost_of_fn 是什么。这些只不过是权重，由用户任意设置。在上面的例子中，作者使用了 cost_of_fp = 1 和 cost_of_fn = 3。这仅意味着就成本函数而言，假阴性比假阳性重要 3 倍。因此，在成本函数中，任何假阴性都乘以 3，以增加假阳性 + 假阴性的数量（这是成本函数的结果）。
综上所述，上图中的y轴就是：
false_positives * weight_fp + false_negatives * weight_fn
对于阈值的每个值（用于计算false_positives和false_negatives）。
我希望现在一切都清楚了。