如何利用Python和Scikit-learn绘制分类模型的PR曲线？-Python教程-PHP中文网

precision_recall_curve返回三组数组而非直接可绘曲线，是因为它仅计算各阈值下的precision、recall及对应thresholds，不负责排序、补全端点或绘图；recall默认从1.0开始但未显式包含(1.0, 0.0)隐含点，需手动插入以确保曲线左端完整。

如何利用python和scikit-learn绘制分类模型的pr曲线？

为什么 `precision_recall_curve` 返回的不是“曲线”而是三组数组？

很多人调用 precision_recall_curve 后发现返回三个一维数组，不是直接可画的 (x, y) 坐标对，于是卡住。这是因为该函数只做核心计算：给定预测概率和真实标签，输出所有可能阈值下的 precision、recall 和对应阈值 thresholds。它不负责绘图，也不自动排序或补全端点。

常见错误是直接用 plt.plot(recall, precision) 却发现线条杂乱、起点飘移，甚至 recall 值不从 1.0 开始——这是因为 recall 数组默认按阈值降序排列，但未包含 recall=1.0（即阈值为负无穷）时的 precision=0 这个隐含点。

必须手动在开头插入 (recall=1.0, precision=0.0) 点，否则 PR 曲线左端缺失
thresholds 比 precision 和 recall 少一个元素，别误用它当横坐标
输入的 y_score 必须是正类概率（如 clf.predict_proba(X)[:, 1]），不能是决策函数输出（除非模型明确支持 decision_function 并已校准）

如何用 `sklearn.metrics.PrecisionRecallDisplay` 快速画图？

Scikit-learn 0.24+ 提供了 PrecisionRecallDisplay，封装了数据准备和绘图逻辑，省去手动拼接点的麻烦。但它对输入格式敏感，且默认不显示 AP（Average Precision）值。

典型用法是先调用 from_predictions 或 from_estimator 构建 display 对象，再调用 plot()。注意：如果传入的是多分类问题中的某类，必须确保 y_true 是二值化后的标签（0/1），而非原始类别编码。

python-code-analyz

专业Python代码分析与优化，支持语法检查、安全扫描、性能评估、复杂度分析及重构后优化代码生成。

下载

用 from_estimator(clf, X_test, y_test, pos_label=1) 时，clf 必须支持 predict_proba 或 decision_function
若模型只有 decision_function（如 SVM），PrecisionRecallDisplay 会自动使用它，但结果可能未校准，PR 曲线形状易受尺度影响
想标出 AP 值，得手动算：average_precision_score(y_test, y_score)，然后用 plt.text() 加到图上

多分类场景下怎么画某类的 PR 曲线？

多分类本身没有全局 PR 曲线，只能针对每个类做“一对剩余”（One-vs-Rest）的二分类 PR 分析。容易出错的是标签编码方式——label_binarize 要配合 n_classes 参数，且 y_score 必须与 binarized y_test 维度对齐。

例如 3 分类任务中想画 class=2 的 PR 曲线，需先用 label_binarize(y_test, classes=[0,1,2])[:, 2] 得到 shape=(n_samples,) 的二值标签，再取 y_score[:, 2]（来自 predict_proba）作为 score 输入。

别用 LabelEncoder 后直接取 y_test == 2，因为编码后 class=2 可能已映射为其他整数
若用 OVR 的 OneVsRestClassifier，其 decision_function 输出每类一个分值，此时应直接用该分值，而非概率（因概率可能未归一化）
不同类别的 PR 曲线不能直接横向对比面积，因正样本基数差异大；AP 值才有跨类可比性

为什么 PR 曲线在 imbalanced 数据里比 ROC 更有区分度？

ROC 曲线纵轴是 TPR，横轴是 FPR，对负样本数量不敏感；而 PR 曲线纵轴是 Precision，横轴是 Recall，两者都依赖正样本计数。当正样本极少时，FPR 变化平缓，ROC 显得“过于乐观”，而 Precision 会随阈值微调剧烈波动，PR 曲线能更快暴露模型在少数类上的缺陷。

实操中，如果你的任务是检测罕见病、欺诈交易或故障预警，优先看 PR 曲线和 AP 值。但要注意：scikit-learn 默认的 average_precision_score 使用梯形法积分，对 recall 轴非均匀采样点做了插值，结果略高于手工阶梯积分——这不是 bug，是设计选择，但和论文里报告的 AP 定义可能不一致。

若需复现论文结果，检查是否要求“interpolated PR curve”还是“non-interpolated”（即 staircase 形式）
sklearn 的 precision_recall_curve 返回的是 non-interpolated 点，average_precision_score 内部做了 interpolation
不平衡越严重，PR 曲线抖动越明显，建议用 cross-validation 多次绘制观察稳定性，而不是单次结果定论

PR 曲线的关键不在画得漂亮，而在选对 score 输入、对齐正类定义、理解 AP 计算背后的插值假设——这些地方错一点，整个评估就偏了。