工做刚好积累些，希望有帮忙。
第二步，变量筹办。对模子效果提拔十分十分重要！我指的是对变量的选择和形式的变更。动态地按照模子的反应来构造变量，能够贯串整个建模过程。某名人说过花80%的时间不为过。
第三步，除了chi-square test和IV值还有变量相关性。相关性太严峻会违犯独立假设，当然做预测的话违犯能够原谅。但变量太多的时候共线性严峻可能招致软件报错停止不下去（猜题主用的SAS）。此外business sense常常起决定性感化。好比客户关系办理中，若是模子显示年龄奉献度很低，一般仍是会把它放进去。
第四步，查验的参数。
1) c统计量，ROC曲线以下的面积，也叫AUC（area under curve）。在应用较成熟的范畴好比信誉卡评分行业有略微构成共识——大于或等于0.75——认为行为评分模子是可靠的。但针对marketing等其他范畴的数据，那个阈值能够商榷。
2) Gini系数，能够同c统计量转化，G=2c-1。
3) 提拔图（lift chart/gain table），其他名词累积提拔图/洛仑兹曲线/收益曲线说的几乎统一种工具。通过和随机选择的效果比力模子好坏，随机就是不消模子。若是对目的数据已经建好了一小撮模子，能够画差别模子的提拔效果来比力选更佳。
4) ks，响应变量0-1的曲线比照，二者之差画条线就是ks曲线。它的意义是模子把0和1区分隔的才能。又好比marketing，前25%的人是预测的响应客户群，对那一群体停止精准营销既有效果又省成本。20～40参考一下就行。
最初，模子和参数现实意义仍是要想想吧。良多人觉得logistic regression太简单，却连解释都不做，只一味看参数。看看出来的odds ratio和probability，既能给群众解释又不忘建模初志。
觉得有图更清晰，几个不错的中文博客，其他材料所在多有
HuJiangtang: 分类模子的性能评估——以SAS Logistic回归为例(1): 混淆矩阵AUC与ROC - 权衡分类器的好坏二分类模子性能评价（R语言，logistic回归，ROC曲线，lift曲线，lorenz曲线）