PR曲线的绘制

1：PR曲线的了解

P-R曲线就是关于精确率precision和召回率recall的曲线，recall为横坐标，precision 为纵坐标。

T表示正确预测；F表示错误预测；N表示预测为负样本；P表示预测为正样本

混淆矩阵如图所示：

recall = TP/(TP+FN)=TP / T（召回率），所有正样本中有多大比例预测为正样本。

precesion = TP/(TP+FP) =TP / P（精准率），所有预测为正样本中有多大比例为真正的正样本。

2：PR曲线的绘制（借鉴了这篇文章）(20条消息) 深入理解P-R曲线、ROC与AUC_Lareges的博客-CSDN博客

用一个例子来绘制，例如，设置阈值为 0.5 ，对于一个新样本（西瓜），若它的得分高于 0.5，则被认为是好瓜，否则认为是坏瓜。

从上往下遍历。对于第一行的样例，设它的得分 0.88 为阈值，大于等于该阈值的预测为正例，小于该阈值的预测为反例，那 计算可得P = 1 ,   R = 0.33；对于第二行的样例，设它的得分 0.76  为阈值，大于等于该阈值的预测为正例，小于该阈值的预测为反例，那计算可得 P = 1 ,   R = 0.67；对于第三行的样例，设它的得分 0.57为阈值，大于等于该阈值的预测为正例，小于该阈值的预测为反例，那计算可得 P = 0.67 ,   R = 0.67；对于第四行的样例，设它的得分0.53 为阈值，大于等于该阈值的预测为正例，小于该阈值的预测为反例，那计算可得 P = 0.5 ,   R = 0.67；对于第五行的样例，设它的得分 0.45为阈值，大于等于该阈值的预测为正例，小于该阈值的预测为反例，那计算可得 P = 0.6 ,   R = 1；对于第六行的样例，设它的得分0.24为阈值，大于等于该阈值的预测为正例，小于该阈值的预测为反例，那计算可得 P = 0.5 ,   R = 1。

代码实现如下：

所绘制出的曲线如图：