曲線下面積 vs 精確率-召回率曲線
AUC vs Precision-Recall Curve
曲線下面積 側重 AUC（曲線下面積）是一種模型評估指標，用於衡量二元分類模型區分正負樣本的整體能力，值介於0到1之間，越高代表性能越好。，而 精確率-召回率曲線 側重 二分類評估工具，縱軸為精確率，橫軸為召回率，展示模型在不同決策閾值下精確率和召回率的權衡關係，特別適合評估類別不均衡問題。
逐項比較
| 項目 | 曲線下面積 | 精確率-召回率曲線 |
|---|---|---|
| 一句定義 | AUC（曲線下面積）是一種模型評估指標，用於衡量二元分類模型區分正負樣本的整體能力，值介於0到1之間，越高代表性能越好。 | 二分類評估工具，縱軸為精確率，橫軸為召回率，展示模型在不同決策閾值下精確率和召回率的權衡關係，特別適合評估類別不均衡問題 |
| 常見標籤 | 模型評估、機器學習、統計方法 | 模型評估、機器學習、分類問題、AI基礎 |
| iPAS 關聯度 | 未知 | 未知 |
| 考生最常問 | 一個好的AUC分數意味著什麼？ | 在類別高度不均衡的場景中，為什麼 PR 曲線比 ROC 更好？ |