P-R曲线的绘制
首先了解一下什么是pr曲线
PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。
precision（精准率）和recall（召回率）
上述中介绍了PR曲线的实质代表为precision（精准率）和recall（召回率），但是这二者是什么呢？
首先，我们了解一下混淆矩阵，如下表。
其中TP 表示正确分出正例的数量；FN 表示把正例错分为反例的数量；TN 表示正确分出反例的数量；FP表示把反例错分为正例的数量。
从混淆矩阵可以得出
精准率 precision = TP/(TP + FP)
召回率 recall = TP/(TP +FＮ)
举例如下：
假设现在有这样一个测试集，测试集中的图片只由大雁和飞机两种图片组成，如下图所示：
现在让系统进行识别
其中下面的四个被识别为飞机上面的六个被识别为大雁
那么TP=3，FP=1，TN=4，FN=2；
精准率 precision = TP/(TP + FP)=0.75 意味着在识别出的结果中，飞机的图片占75%。
召回率 recall = TP/(TP +FＮ)=0.6 意味着在所有的飞机图片中，60%的飞机被正确的识别成飞机.。
调整阈值
可以通过调整阈值，来选择让系统识别出多少图片，进而改变Precision 或 Recall 的值。
在某种阈值的前提下（虚线），系统识别出了四张图片，如下图中所示：
系统认为大于阈值0.6（虚线之上）的四个图片为飞机，虚线以下的为大雁。
此时，TP=3，FP=1，TN=4，FN=2；
精准率 precision=TP/(TP + FP)=3/（3+2）=0.75
召回率 recall = TP/(TP +FＮ)=3/（3+2）=0.6
改变阈值比如设置阈值分别为0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9就可以得到10组P和R的值，就可以由此绘画P-R曲线
绘制P-R曲线
使用python进行绘制
import matplotlib.pyplot as plt
import numpy as np
from sklearn.metrics import precision_recall_curve
plt.title('P-R Curve')
plt.xlabel('Recall')
plt.ylabel('Precision')
y_true = np.array([1,0,0,0,1,0,1,0,1,1])
y_scores = np.array([0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9])
# y_true为样本实际的类别1为正例0为反例，y_scores为阈值
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)
plt.plot(recall, precision)
plt.show()
代码运行结果如下即为P-R曲线
例子来源：average precision (wordpress.com)
代码参考来源：(29条消息) python画PR曲线（precision-recall曲线）_Mr.Jcak的博客-CSDN博客_precision_recall_curve