precision_recall_curve更适合不平衡数据，因其专注正样本的Precision和Recall，避免ROC因大量负样本稀释FP而过于乐观；需用原始预测概率或decision_function输入，绘图时precision[:-1]与recall[:-1]对齐。
为什么 precision_recall_curve 比 roc_curve 更适合不平衡数据？
因为 ROC 曲线在正样本极少时会给出过于乐观的评估——它把大量负样本中的微小误判（False Positive）稀释掉了，而 Precision-Recall（PR）曲线只关注正样本相关的指标（Precision 和 Recall），对正例识别能力更敏感。
实操中，只要你的正样本占比低于 10%，优先用 PR 曲线；若用 ROC，需额外检查 AUC-ROC 是否被负样本主导失真。
怎么用 precision_recall_curve 得到可靠曲线？
关键不是画出来，而是确保输入是模型输出的**原始预测概率或决策函数值**，而非二值预测结果。传入 y_pred（0/1）会导致所有点坍缩成单个点。
- ✅ 正确：用
model.predict_proba(X)[:, 1]（分类器支持predict_proba）或model.decision_function(X)（如 SVC、LinearSVC） - ❌ 错误：用
model.predict(X)或阈值硬截断后的 0/1 数组 - ⚠️ 注意：
precision_recall_curve返回的precision数组比recall和thresholds多一个元素（末尾补了 1.0），绘图时要切片对齐：precision[:-1]
示例：
立即学习“Python免费学习笔记（深入）”；
from sklearn.metrics import precision_recall_curve import matplotlib.pyplot as plt precision, recall, thresholds = precision_recall_curve(y_true, y_score) plt.plot(recall[:-1], precision[:-1])
如何比较不同模型的 PR 性能？别只看曲线形状
单看曲线容易误判——尤其当某模型在高召回段 Precision 掉得快，另一模型在低召回段 Precision 高但实际用不上。必须结合业务场景选评估方式：
- 若需高召回（如疾病筛查）：看固定
recall=0.9时的precision，用np.interp(0.9, recall[::-1], precision[::-1]) - 若需平衡精度与召回：计算
average_precision_score(y_true, y_score)（基于 PR 曲线下面积，对不均匀采样鲁棒） - 若部署时用固定阈值：直接算该阈值下的
precision_score和recall_score，别依赖曲线“看起来好”
为什么 plot_precision_recall_curve（sklearn 0.22+）反而容易出错？
这个封装函数默认用 estimator.predict_proba，但很多模型（如 LogisticRegression 可以，SVC 默认不支持）会直接报 AttributeError: 'SVC' object has no attribute 'predict_proba'。
更隐蔽的问题是：它内部调用 precision_recall_curve 后，自动对 precision 做了倒序插值平滑，掩盖了原始阈值点的真实波动——这对调试阈值敏感性反而是干扰。
建议：自己调用 precision_recall_curve + 手动绘图，可控性强；真要用封装接口，先确认模型有 predict_proba，或显式传入 response_method="decision_function"。
