8、精准率 - 召回率曲线与AUC：不平衡分类问题中的评估利器

精准率 - 召回率曲线与AUC：不平衡分类问题中的评估利器

在分类问题的评估指标中，ROC AUC是一个被广泛使用的指标，但它并非没有问题。在严重倾斜且少数类样本极少的不平衡分类问题中，ROC AUC可能会产生误导。这是因为少量的正确或错误预测可能会导致ROC曲线或ROC AUC分数发生较大变化。当存在类别不平衡问题，特别是少数类实例样本量较小时，ROC图用于评估分类器时，其估计结果可能不可靠。因此，精准率 - 召回率曲线及其曲线下面积（AUC）成为了一个常用的替代指标。

1. 精准率与召回率

精准率（Precision）是衡量正确正预测数量的指标，计算公式为：
[
Precision = \frac{TruePositive}{TruePositive + FalsePositive}
]
结果取值范围在0.0（无精准度）到1.0（完全精准）之间。

召回率（Recall）是衡量所有正预测中正确正预测数量的指标，计算公式为：
[
Recall = \frac{TruePositive}{TruePositive + FalseNegative}
]
结果取值范围同样在0.0（无召回率）到1.0（完全召回）之间。

精准率和召回率都聚焦于正类（少数类），而不关注真负类（多数类），这使得它们能够有效评估分类器在少数类上的性能。

2. 精准率 - 召回率曲线（PR曲线）

精准率 - 召回率曲线（PR曲线）是不同概率阈值下精准率（y轴）和召回率（x轴）的曲线图。
- PR曲线：召回率（x）与精准率（y）的绘图。
- 完美技能的模