准确率和F1在类别极度失衡时不可靠：准确率易被多数类主导，宏/微F1分别过度加权少数类或受多数类压制；PR曲线因纵轴为精确率、对负样本规模不敏感，比ROC更适配失衡场景。
类别极度失衡时，准确率和F1为什么不可靠
准确率（accuracy）在正样本占比 0.1% 的场景下，模型全预测负类也能拿到 99.9% 的准确率——它完全掩盖了对少数类的识别失败。F1 虽然考虑了召回和精确率，但它的宏平均（macro_f1）会过度抬高少数类权重，微平均（micro_f1）又容易被多数类主导，实际业务中常出现“F1 看着还行，线上漏检一堆”的情况。
真正关键的是：你是否能稳定地把前 N 个最可能为正的样本挑出来？这正是 PR 曲线和 average_precision 要回答的问题。
PR 曲线比 ROC 更适合极度失衡场景
ROC 曲线纵轴是 TPR（召回率），横轴是 FPR（假正率），而 FPR = FP / (FP + TN) —— 在负样本极大丰富时，哪怕只错判 0.01% 的负样本，FP 绝对值也会爆炸，导致曲线被“拉平”，区分度下降。PR 曲线用精确率（precision = TP / (TP + FP)）作纵轴，横轴仍是召回率，全程聚焦于正样本的筛选质量，对负样本规模不敏感。
实操建议：
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
立即学习“Python免费学习笔记（深入）”；
- 用
sklearn.metrics.precision_recall_curve计算点，别直接画 ROC； - 务必传入模型输出的原始概率（如
clf.predict_proba(X)[:, 1]），不是二值预测结果； - 当正样本数 average_precision 值本身也需谨慎解读；
- 可视化时加
plt.fill_between(recall, precision, alpha=0.2)，填充面积就是 AP 值的几何意义。
average_precision 的三种计算方式差异
average_precision_score 默认使用「基于 PR 曲线下面积的插值法」（即 AUC-PR），它比简单对 precision 取平均更鲁棒。但要注意三个易错点：
- 输入
y_true必须是二值（0/1），不能是多分类标签或字符串； - 若用
average='macro'，会先对每个类单独算 AP 再平均——多分类失衡时，小类 AP 接近 0 会拖垮整体，通常应设average=None并单独看目标类； - sklearn 1.3+ 版本默认启用
sample_weight支持，但加权后 AP 不再对应标准 PR 曲线下面积，调试时建议先关掉； - 对比模型时，确保所有模型输出的概率校准一致（比如都经过
CalibratedClassifierCV），否则 AP 差异可能来自置信度偏差而非真实排序能力。
线上部署时 AP 值不能直接当阈值依据
average_precision 是一个标量汇总指标，它不告诉你该用哪个阈值。实际部署必须回到 precision_recall_curve 输出的三元组：precision、recall、thresholds。
例如风控场景要求「至少抓出 80% 的欺诈订单」，就得查 recall >= 0.8 对应的最高 precision，再取那个 threshold；而推荐系统可能优先保 precision > 0.95，再看能覆盖多少 recall。这两者在 PR 曲线上往往处于不同拐点——AP 再高，选错阈值照样上线翻车。
