PR曲线比ROC更适合极度不平衡数据，因其仅依赖查准率和查全率，不被大量负样本干扰，能真实反映模型对稀有正样本的识别能力。
PR曲线比ROC更适合极度不平衡数据的原因
当正样本占比低于1%时，ROC曲线容易给出过于乐观的评估——它对负样本的大量正确预测（真负率TNR）会大幅抬高曲线下面积（AUC），掩盖模型在识别正样本上的实际缺陷。而PR曲线只关注查准率（Precision）和查全率（Recall）两个指标，完全不依赖负样本数量，因此能更真实反映模型在稀有类别上的判别能力。
- 极度不平衡下，
precision = tp / (tp + fp)对误报极其敏感，一次错判就显著拉低值 -
recall = tp / (tp + fn)直接体现“找出了多少真正该抓的样本” - 二者构成的权衡关系，恰好对应业务中“宁可少抓、不能乱抓”的典型需求（如欺诈检测、疾病初筛）
用scikit-learn计算并绘制PR曲线的实操步骤
核心是使用precision_recall_curve和average_precision_score，而非roc_curve。注意：必须传入模型输出的概率或决策分数（不是硬分类标签），且推荐用predict_proba的第二列（正类概率）。
from sklearn.metrics import precision_recall_curve, average_precision_score
import matplotlib.pyplot as plt
<h1>y_true 是真实标签（0/1），y_score 是模型输出的正类概率</h1><p>precision, recall, _ = precision_recall_curve(y_true, y_score)
ap_score = average_precision_score(y_true, y_score)</p><p>plt.plot(recall, precision, label=f'AP = {ap_score:.3f}')
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.legend()</p>- 若模型无
predict_proba（如SVM默认），改用decision_function获取原始分 -
precision_recall_curve返回的precision数组比recall多一个元素（末尾补1.0），绘图前无需截断 - 不要用
classification_report里的单阈值precision/recall代替PR曲线——它只反映一个切片
threshold选择影响PR曲线形状的关键细节
PR曲线本质是不同分类阈值下的表现包络线，但阈值不是均匀分布的，尤其在不平衡场景下：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 正样本少 → 阈值稍一调高，
recall就断崖下跌，而precision可能缓慢上升 -
precision_recall_curve内部按y_score降序排列后逐个设阈值，已自动覆盖所有有效跳变点 - 手动指定阈值（如
np.arange(0.1, 0.9, 0.05)）会漏掉关键拐点，导致曲线不光滑甚至失真 - 若需对比多个模型，确保它们用同一套
y_score排序逻辑，否则AP值不可比
AP分数比PR曲线下面积更实用的三个理由
average_precision_score返回的标量值（AP）比看整条曲线更利于快速比较，但它不是简单积分：
立即学习“Python免费学习笔记（深入）”；
- 它采用“每个召回率变化点的精度加权平均”，天然对高召回段更敏感
- 在正样本极少时，AP比F1-score稳定——F1依赖单一阈值，而AP整合了全部阈值信息
- 注意：sklearn 1.0+ 默认使用
average_precision_score(..., average='macro')，但二分类下average参数不影响结果；若误传y_true为多分类格式，会静默返回错误值
真正容易被忽略的是：PR曲线对y_score的校准性敏感。如果模型输出的概率严重偏离真实频率（比如logistic回归未充分训练），AP值可能虚高——此时应先用CalibratedClassifierCV校准，再画PR曲线。
