我正在阅读 Fawcett 2004 年关于机器学习算法的 ROC 图的论文，可以在此处找到。

在第 7-8 页上，他展示了一个简单的 ROC 示例，并做出了一些我不理解的解释。下面是 ROC 图：

这是他写的：

虽然测试集很小，但我们可以对分类器做一些初步的观察。它似乎在图表的更保守区域表现更好；(0.1,0.5) 处的 ROC 点产生其最高精度 (70%)。这相当于说分类器更擅长识别可能的正面而不是识别可能的负面。另请注意，分类器的最佳准确度出现在 ≥ .54 的阈值处，而不是我们可能期望的平衡分布的 ≥ .5 处。

我不明白他是如何得出他的解释的。

1. the ROC point at (0.1,0.5) produces its highest accuracy (70%) 如何从该图中找到点 (0.1, 0.5) 的 70% 的最高精度，我们如何知道它是最高精度？

2. This is equivalent to saying that the classifier is better at identifying likely positives than at identifying likely negatives.我不明白这种解释是如何确定的。

3. Note also that the classifier’s best accuracy occurs at a threshold of ≥ .54这是怎么找到的？

4. rather than at ≥ .5 as we might expect with a balanced distribution为什么我们会这样期待？

感谢您的任何帮助。