PR曲线在机器学习里是怎么画出来的?为什么它比ROC更适合不平衡数据?
时间: 2026-11-14 21:02:03 AIGC 浏览: 0
### 关于机器学习中PR曲线的理解
#### 定义与构成要素
P-R曲线展示了不同阈值下分类器的精确率(Precision)和召回率(Recall),其中以recall作为横坐标轴,precision作为纵坐标轴[^3]。对于二元分类问题而言,当预测概率变化时,可以得到一系列不同的精确率和召回率组合点,这些点连成一条曲线即为P-R曲线。
#### 应用场景分析
在某些特定领域内,比如医疗诊断、欺诈检测等不平衡类别分布的任务里,相较于ROC曲线下面积(AUC-ROC),AUPRC(Precision-Recall曲线下面积)更能反映模型的实际效果[^1]。这是因为,在正样本远少于负样本的情况下,即使随机猜测也能获得较高的真正类率(True Positive Rate, TPR),从而使得ROC-AUC显得过高估计了模型性能;而此时通过观察P-R曲线则能更直观地看出模型区分能力的好坏。
#### 计算方式说明
为了量化评价一个给定分类器的表现好坏,可以通过积分求得整个P-R曲线上方区域大小来定义平均精度均值(mean Average Precision,mAP)[^2]。这实际上反映了在整个操作范围内所有可能决策边界上的预期表现水平。
```python
from sklearn.metrics import average_precision_score
y_true = [0, 1, 1, 0, 1]
y_scores = [0.1, 0.4, 0.35, 0.8, 0.7]
average_precision = average_precision_score(y_true, y_scores)
print('Average precision-recall score: {0:0.2f}'.format(
average_precision))
```
阅读全文
相关推荐

















