tidymodels逻辑回归分类中.pred_class与ROC曲线绘制疑问

核心原因：阳性类别的匹配顺序错误 #

roc_curve() 函数默认会把因变量（outcome）的第一个因子水平当作阳性类别。如果你的outcome变量中，0是第一个水平（可通过levels(data_test_pred$outcome)查看顺序），那么：

• 传入.pred_1时，函数会误将0当作阳性类别，你的预测概率（对应1的概率）和实际阳性类别完全反向，导致ROC曲线落在对角线下方——本质是模型的“真阳性率”与“假阳性率”被颠倒。
• 传入.pred_0时，预测概率对应函数默认的阳性类别（0），匹配关系正确，曲线看起来正常，但这反映的是模型对0类别的预测性能，并非你关注的1类别的性能。

解决办法 #

两种直接修正方式任选其一即可：

1. 调整因变量的因子水平顺序
   将你关注的阳性类别（1）设为第一个水平：

# 转换为因子并重新指定参考水平
data_test_pred$outcome <- relevel(factor(data_test_pred$outcome), ref = "1")
# 绘制正确的ROC曲线
roc1 <- roc_curve(data_test_pred, outcome, .pred_1)

2. 在roc_curve中明确指定阳性类别
   无需修改因子水平，直接通过positive参数指定阳性类别：

roc1 <- roc_curve(data_test_pred, outcome, .pred_1, positive = "1")

验证 #

修正后，用.pred_1生成的ROC曲线会回到对角线上方，此时计算的AUC值才是模型对阳性类别1的真实预测性能。比如之前用.pred_0得到的AUC为0.8，反向的.pred_1曲线AUC会是0.2，修正后就能得到正确的0.8。

内容的提问来源于stack exchange，提问作者inprogress123