多分类模型不支持直接计算pr曲线，必须通过one-vs-rest将k类拆为k个二分类问题，对每类单独调用precision_recall_curve并确保label_binarize与y_score列顺序一致。
多分类模型没有直接的“PR曲线”——必须先转为多个二分类问题，再分别计算、聚合。 你不能把 precision_recall_curve 直接喂给 3 类以上的 y_true，它会报 ValueError: multiclass format is not supported。
为什么 precision_recall_curve 不支持多分类
这个函数底层只处理二值标签：它依赖每个样本能明确划分为“正类/负类”，并逐阈值统计 TP、FP、FN。多分类中“正类”不唯一，无法定义统一的 Precision 分母（预测为某类的总数）和 Recall 分母（真实为某类的总数）。
常见错误现象：
- 传入
y_true = [0, 1, 2, 1]和y_score（如 softmax 输出的 3 列数组），直接调用precision_recall_curve(y_true, y_score)→ 立即抛出multiclass format is not supported - 误用
label_binarize但未对每列单独调用precision_recall_curve，导致维度错配或结果不可解释
正确做法：One-vs-Rest（OvR） + 每类独立 PR 曲线
标准解法是将 K 分类问题拆成 K 个二分类子问题：对第 i 类，视其为正类，其余所有类为负类。每条曲线评估“识别该类”的能力。
实操要点：
- 用
label_binarize(y_true, classes=[0, 1, 2])得到 shape=(n_samples, n_classes) 的二值矩阵，每列对应一类 - 确保
y_score是模型输出的概率矩阵（如clf.predict_proba(X)），且列顺序与classes严格一致 - 对每一列
i，调用precision_recall_curve(y_bin[:, i], y_score[:, i])，得到该类的precision、recall、thresholds - 不要直接对多列
y_score整体调用 —— 它不接受二维y_score
画图与 AUC 计算的三个易错点
即使完成 OvR 拆分，绘图和汇总仍容易出错：
-
横纵轴颠倒：PR 曲线必须是
recall为横轴、precision为纵轴；和 ROC 相反。用plt.plot(recall, precision)，不是plt.plot(precision, recall) -
未插值补端点：原始
precision_recall_curve返回的recall是降序，且首点recall[0] == 1.0（阈值最低时全判正）。需手动补上(recall=0, precision=precision[0])点，否则曲线起点缺失 -
macro/micro AUC 混用：
average_precision_score(y_bin, y_score, average='macro')对每类 AP 取均值；average='micro'先合并所有 TP/FP/FN 再算全局 AP。二者物理意义不同，报告时必须注明
真正麻烦的是：当类别极不平衡（比如某类只占 0.3%），它的 PR 曲线会剧烈抖动，且基线是该类的先验概率（y_bin[:, i].mean()），不是 0.5。这点常被忽略，却决定你能否看出模型在关键类上的真实失效。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
