在获得预测模型之后，我们可以根据模型计算出每个人患心脏病的概率，同时为这个概率划定一条分界线，如概率大于0.5时认为此人有心脏病，概率小于0.5时则认为此人没有心脏病
P(A) = [e^(kx+b)]/[1+e^(kx+b)]=1/2
刚刚的模型k=0.0159，b=3.66，解得x（SBP）=230.2
在图上加入分界线
abline (v = 230.2, lwd = 5, col = 'blue')
可以看出该分界线存在问题比较多，黑色点在线右边的多，大多红色点在左边，因此如何寻找分界线需要进一步研究
随着分界线向右移动，一方面“假阳性”会越来越少，但是另一方面，“真阳性”也会越来越少，二者的关系图叫做ROC curve
假阳性：1-Specificity（假阳性的数量占总数的比例），实际是0，却被我们归成1
真阳性：Sensitivity，实际是1
```
library(pROC)
log.fit2 = glm (Heart.Disease. ~SBP, data = fram_data.f, family = binomial (logit))
log.fit2.roc = roc (fram_data.f$Heart.Disease., log.fit2$fitted, plot = T, col = 'blue')
```
Specificity向右减少，Sensitivity增加，好的预测模型曲线下面的面积应该大
当前AUC（Area Under Curve）：0.6375
如何确定最佳分界线的位置？首先绘制出假阳性和分界线的位置的图
```
plot (log.fit2.roc$thresholds, 1-log.fit2.roc$specificities, col = 'green', pch = 16, xlab = 'Threshold on proib', ylab = 'False Positive', main = 'Thresholds vs. False Positive')
```
可以看到在0.3附近接近分界线最佳位置
