多条Precision-Recall（PR）曲线绘制（PR曲线）含python代码

对于一个二分类问题，我们可以根据模型的分类结果将其分为四类：TP、FP、TN、FN。

查准率和查全率是一对矛盾的度量，一般来说，查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。例如，我们只要将所有样本都判断为正例，则查全率即为1，但是查准率却很低，反之亦然。

单条PR曲线的绘制代码参考：参考

https://blog.csdn.net/u014568921/article/details/53843311?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link

#coding:utf-8
import matplotlib
#matplotlib.use("Agg")
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import precision_recall_curve
plt.figure(1) # 创建图表1
plt.title('Precision/Recall Curve')# give plot a title
plt.xlabel('Recall')# make axis labels
plt.ylabel('Precision')
 
#y_true和y_scores分别是gt label和predict score
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)
plt.figure(1)
plt.plot(precision, recall)
plt.show()
plt.savefig('p-r.png')

上面是单条PR曲线，在这里，我提取了多个模型的分类输出，如图：

多条PR曲线：
部分代码：

fig, ax = plt.subplots()
ax.plot(recall_1,precision_1,label='Model_1')
ax.plot(recall_2,precision_2,label='Model_2')
ax.plot(recall_3,precision_3,label='Model_3')
ax.plot(recall_4,precision_4,label='Model_4')
ax.plot(recall_5,precision_5,label='Model_5')
ax.plot(recall_6,precision_6,label='Model_6')
ax.set_xlabel('Recall')
ax.set_ylabel('Precision')
ax.set_title('Precision/Recall Curve')
ax.legend()
plt.show()

结果展示：