一、原理講解
P-R曲線就是精確率precision vs 召回率recall 曲線，以recall作爲橫座標軸，precision作爲縱座標軸。首先解釋一下精確率和召回率。
解釋精確率和召回率之前，先來看下混淆矩陣，
| 負 | 正 | |
|---|---|---|
| 負 | TN | FP |
| 正 | FN | TP |
把正例正確分類爲正例，表示爲TP（true positive），把正例錯誤分類爲負例，表示爲FN（false negative），
把負例正確分類爲負例，表示爲TN（true negative）， 把負例錯誤分類爲正例，表示爲FP（false positive）
精確率和召回率可以從混淆矩陣中計算而來，precision = TP/(TP + FP), recall = TP/(TP +ＦＮ)
那麼P-R曲線是怎麼來的呢？
算法對樣本進行分類時，都會有置信度，即表示該樣本是正樣本的概率，比如99%的概率認爲樣本Ａ是正例，１％的概率認爲樣本B是正例。通過選擇合適的閾值，比如50%，對樣本進行劃分，概率大於50%的就認爲是正例，小於50%的就是負例。
通過置信度就可以對所有樣本進行排序，再逐個樣本的選擇閾值，在該樣本之前的都屬於正例，該樣本之後的都屬於負例。每一個樣本作爲劃分閾值時，都可以計算對應的precision和recall，那麼就可以以此繪製曲線。那很多書上、博客上給出的P-R曲線，都長這樣
當然，這種曲線是有可能的。但是仔細琢磨就會發現一些規律和一些問題。
根據逐個樣本作爲閾值劃分點的方法，可以推敲出，recall值是遞增的（但並非嚴格遞增），隨着劃分點左移，正例被判別爲正例的越來越多，不會減少。而精確率precision並非遞減，二是有可能振盪的，雖然正例被判爲正例的變多，但負例被判爲正例的也變多了，因此precision會振盪，但整體趨勢是下降。
另外P-R曲線肯定會經過（0,0）點，比如講所有的樣本全部判爲負例，則TP=0，那麼P=R=0，因此會經過（0,0）點，但隨着閾值點左移，precision初始很接近1，recall很接近0，因此有可能從（0,0）上升的線和座標重合，不易區分。如果最前面幾個點都是負例，那麼曲線會從（0,0）點開始逐漸上升。
曲線最終不會到（1,0）點。很多P-R曲線的終點看着都是（1,0）點，這可能是因爲負例遠遠多於正例。
最後一個點表示所有的樣本都被判爲正例，因此FN=0，所以recall = TP/(TP + FN) = 1, 而FP = 所有的負例樣本數，因此precision = TP/(TP+FP) = 正例的佔所有樣本的比例，故除非負例數很多，否則precision不會爲0.
二、通過PR曲線判斷分類器性能
如果一個學習器的P-R曲線被另一個學習器的P-R曲線完全包住，則可斷言後者的性能優於前者，例如上面的A和B優於學習器C。但是A和B的性能無法直接判斷，我們可以根據曲線下方的面積大小來進行比較，但更常用的是平衡點或者是F1值。平衡點（BEP）是P=R時的取值，如果這個值較大，則說明學習器的性能較好。而F1 = 2 * P * R ／( P + R )，同樣，F1值越大，我們可以認爲該學習器的性能較好。
補充：
- ROC曲線（類似於PR曲線的另一種曲線）中，越接近左上角的曲線越好。
- AUC (Area under Curve)：ROC曲線下的面積，介於0.1和1之間，作爲數值可以直觀的評價分類器的好壞，值越大越好。
AUC = 1，是完美分類器，採用這個預測模型時，存在至少一個閾值能得出完美預測。絕大多數預測的場合，不存在完美分類器。
0.5 < AUC < 1，優於隨機猜測。這個分類器（模型）妥善設定閾值的話，能有預測價值。
AUC = 0.5，跟隨機猜測一樣（例：丟銅板），模型沒有預測價值
參考說明
版權聲明：本文爲CSDN博主「keep_forward」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/b876144622/article/details/80009867
作者：李_穎Biscuit
鏈接：https://www.jianshu.com/p/ac46cb7e6f87
來源：簡書
著作權歸作者所有。商業轉載請聯繫作者獲得授權，非商業轉載請註明出處。