PR曲线

PR曲线（Precision-Recall Curve，精确率-召回率曲线）是评估二分类模型性能的重要可视化工具，它以精确率（Precision）为纵轴、召回率（Recall）为横轴，通过遍历不同的分类阈值绘制出一条单调递减或非严格单调的曲线。与ROC曲线相比，PR曲线在类别分布严重不平衡的场景下能够更加敏感地反映模型对少数类的识别能力，因此在异常检测、信息检索、医疗诊断等正负样本比例悬殊的领域中得到广泛应用。

1. 基本概念

1.1 精确率与召回率

在二分类问题中，样本的真实标签与模型预测结果可构成一个2×2的混淆矩阵。精确率的定义为：

其中TP（True Positive）为真正例数，FP（False Positive）为假正例数。精确率衡量的是模型预测为正类的样本中真正为正类的比例，反映了模型预测结果的可信度。

召回率的定义为：

其中FN（False Negative）为假负例数。召回率衡量的是所有真实正类样本中被模型正确识别出来的比例，反映了模型对正类的覆盖能力。

1.2 精确率与召回率的权衡

精确率和召回率之间存在内在的权衡关系。当分类阈值降低时，模型会将更多样本判定为正类，召回率随之上升，但与此同时进入正类判定范围的假正例数量也会增加，导致精确率下降。反之，提高阈值虽然能够提升精确率，却会因漏检部分正样本而使召回率降低。PR曲线正是通过展示不同阈值下精确率和召回率的组合，直观地呈现了这一权衡关系。

2. PR曲线的绘制与解读

2.1 绘制方法

PR曲线的绘制过程如下：首先，模型对每个测试样本输出一个属于正类的预测概率（或置信度分数）。然后，从最高概率到最低概率依次设定为分类阈值——高于阈值的样本判定为正类，低于阈值的样本判定为负类。在每个阈值下，计算对应的精确率和召回率，并以召回率为横坐标、精确率为纵坐标绘制散点并连接成曲线。曲线通常从右上角的高召回率低精确率区域出发，逐渐过渡到左下角的低召回率高精确率区域。

2.2 曲线形态与模型性能

PR曲线的形状直接反映了分类器的性能特征。一个理想分类器的PR曲线会经过右上角（召回率=1、精确率=1）的点，并在此后保持精确率为1。在实际应用中，曲线越靠近右上角，表示模型在维持高精确率的同时也能保持高召回率，综合性能越优。若曲线快速下降，则说明精确率对召回率的提升非常敏感，模型的分类质量较差。对于随机分类器，其PR曲线在平衡数据集上大致为一条水平线，其高度等于正类样本在总样本中的比例。

2.3 平均精确率

为了用单一数值度量PR曲线的整体性能，常用的指标是平均精确率（Average Precision, AP）。AP计算的是PR曲线下的面积，其值在0到1之间，越接近1表示模型性能越优。在实践中，AP通常采用插值法或梯形法则进行数值积分得到。在信息检索领域，一个等价的指标是平均精确率均值（Mean Average Precision, mAP），常用于多类别或排序任务的评估。

3. PR曲线与ROC曲线的比较

3.1 对类别不平衡的敏感性

ROC曲线以假正率（FPR）为横轴、真正率（TPR）为纵轴，其不受类别先验概率影响的性质使其在类别分布变化时保持稳定。然而，在极度不平衡的场景下（例如正样本仅占1\%），即使模型将全部样本判定为负类，ROC曲线仍可能表现良好，因为FPR和TPR的变化幅度均被大量负样本稀释。PR曲线则不同：由于精确率的计算直接受假正例数量的影响，当负样本远多于正样本时，任何误判的负样本都会立即压低精确率，从而使PR曲线更加尖锐地反映模型在少数类上的真实表现。

3.2 适用场景的差异

ROC曲线适用于类别分布相对平衡的情形，或当研究者关注模型的整体判别能力时。PR曲线则更适用于以下场景：正类样本极为稀缺（如欺诈检测、罕见病筛查）、误判正类的代价极高（如垃圾邮件过滤中将正常邮件误判为垃圾邮件），或评估的焦点在于识别少数类的实际效果。在实际的学术研究和工业应用中，同时汇报ROC-AUC和PR-AUC已成为评估分类模型的标准做法。

4. PR曲线的扩展与应用

4.1 多类别PR曲线

对于多分类问题，PR曲线可以通过一对多（One-vs-Rest）或一对一的策略进行扩展。在一对多策略中，每次将其中一个类别视为正类、其余所有类别视为负类，分别计算该类别的PR曲线和AP值，最后取所有类别的宏平均（macro-average）或加权平均作为整体的mAP值。

4.2 在目标检测中的应用

在计算机视觉的目标检测任务中，PR曲线和mAP是最核心的评估指标。检测模型不仅要判断图像中是否包含某类物体，还要给出物体的位置边界框。在PASCAL VOC和COCO等标准数据集中，mAP的计算以IoU（Intersection over Union）阈值作为判定检测是否成功的依据，这一评估体系已成为目标检测领域的事实标准。

4.3 在信息检索中的应用

在信息检索系统中，PR曲线用于评估搜索引擎返回结果的相关性。当用户提交查询后，系统返回的有序结果列表在每个截断位置均可计算精确率（返回结果中相关文档的比例）和召回率（所有相关文档中被返回的比例）。通过对不同截断位置的精确率和召回率进行综合评估，可以判断检索算法在相关性和覆盖性之间的平衡能力。

5. PR曲线的局限性

尽管PR曲线在不平衡分类评估中具有不可替代的价值，但它也存在一些局限性。首先，PR曲线无法直接反映真负例的分类效果，当负类样本的分类准确性同样重要时，需要辅以其他指标。其次，不同数据集上的PR-AUC值不可直接比较，因为PR曲线的基线水平取决于正类样本的先验概率。最后，PR曲线在阈值密集区域可能产生锯齿状波动，需要通过平滑处理或插值技术来获得稳定的评估结果。