每天五分钟机器学习：ROC曲线和P-R曲线有什么不同？

本文重点

在人工智能领域，评估模型性能是至关重要的环节。ROC 曲线和 P-R 曲线是两种常用的评估工具，它们在不同的场景下发挥着重要作用，但也存在着一些显著的不同。

特点与应用

ROC 曲线

特点ROC 曲线不受样本类不平衡的影响。在实际应用中，不同的问题可能会存在正负样本比例差异很大的情况，而 ROC 曲线能够在这种情况下依然较为稳定地反映模型的性能。具有综合性。ROC 曲线通过多个不同阈值下的 TPR 和 FPR 来全面评估模型，能够展示模型在不同决策边界下的性能表现。

应用场景医疗诊断领域。例如在疾病筛查中，即使患病人群比例较低，ROC 曲线也能准确评估诊断模型的性能，避免因样本不平衡而导致错误的判断。金融风险评估。对于违约风险预测等问题，需要在不同的误判成本下评估模型，ROC 曲线可以帮助决策者选择合适的阈值，平衡误判带来的损失。

P-R 曲线

特点对正例的关注更集中。P-R 曲线更侧重于考察模型对正例的识别能力，尤其在正例比例较小的情况下，能够更直观地反映模型在正例上的性能表现。受样本类不平衡影响较大。当正负样本比例差异较大时，P-R 曲线的形状会发生较大变化，可能难以准确评估模型性能。

应用场景信息检索领域。在搜索引擎中，希望尽可能准确地找到相关文档，同时避免返回