PR曲線（Precision-Recall Curve，精確率-召回率曲線）是一種用來評估分類模型性能，特別是二分類任務中，通過不同分類閾值下的精確率（Precision）與召回率（Recall）的變化關係繪製而成的曲線。
PR曲線定義：
- 橫軸（X軸）是召回率（Recall），表示模型在所有實際正類樣本中，成功識別出的比例。
- 縱軸（Y軸）是精確率（Precision），表示模型判斷為正類中，實際為正類的比例。
PR曲線的用途與特點：
- 適用於不平衡數據：在正負類比例嚴重不均衡時，PR曲線可以更有效展現模型對少數類的預測能力。
- 衡量模型性能：曲線下的面積（AUC-PR）越大，表示模型性能越好。
- 展示精度與召回的權衡：高召回率通常伴隨精確率下降，反之亦然，PR曲線呈現這一trade-off。
PR曲線與ROC曲線比較：
- PR曲線專注於正類預測性能，更加敏感於少數類別表現。
- ROC曲線橫軸是假陽性率，不受類別比例影響，但在高度不平衡數據中，具有誤導性。
- 在不平衡數據場景，PR曲線更推薦使用。
簡單比喻：
PR曲線類似尋找稀有寶物的成功率與準確率，測試模型在發現正確樣本時的效率和準確性。
總結來說，PR曲線是評估分類器特別是在不平衡數據集下，分類能力的重要工具，可幫助選擇與調整模型參數。
