P-R曲线

https://blog.csdn.net/u014203453/article/details/77598997

• 信息检索中，我们经常会关系“检索出的信息有多少比例是用户感兴趣的”以及“用户感兴趣的信息中有多少被检索出来了”，用精度和错误率就描述出来了，这就需要引入准确率（precision，亦称查准率）和召回率（recall，亦称查全率）。
  

准确率

预测结果中，究竟有多少是真的正？（找出来的对的比例）
$P=\frac{TP}{TP+FP}$

召回率

所有正样本中，你究竟预测对了多少？（找回来了几个）
$R=\frac{TP}{TP+FN}$

• 一般来说，我们希望上述两个指标都是越高越好，然而没有这么好的事情，准确率和召回率是一对矛盾的度量，一个高时另一个就会偏低.
• 当我们根据学习器的预测结果对样例进行排序（排在前面的是学习器认为“最可能”是正例的样本），然后按此顺序依次吧样本喂给学习器，我们把每次的准确率和召回率描出来就会得到一个P-R曲线（称为P-R图）
  
• 如果一个学习器的P-R被另一个学习器的该曲线包围，则可以断言后面的要好些。
• 平衡点（Break-Even Point, BEP）
  就是找一个 准确率 = 召回率 的值，就像上面的图那样。