搜尋意圖： 如果你在找「精確率-召回率曲線 是什麼」或「精確率-召回率曲線 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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
核心概念
PR 曲線是二分類模型評估最直觀、最實用的工具之一。與準確度、AUC 等全局指標不同，PR 曲線讓從業者清楚看到「如果我提高標準，精確率會怎樣變化；如果我降低標準，召回率會怎樣變化」。
PR 曲線的優勢特別體現在類別不均衡場景。例如，欺詐檢測中正常交易佔 99.9%，ROC 曲線可能在假正例率軸上發生「膨脹」，視覺上顯得模型很好，但 PR 曲線會準確反映在低假正例率時的精確率和召回率實況，更誠實地展示模型質量。
PR 曲線的每一個點代表模型在特定閾值下的性能。點越靠右上角，性能越好（既高精確率又高召回率）。
運作原理
曲線繪製過程
遍歷閾值：從高到低遍歷所有可能的決策閾值（如 0.99, 0.95, ..., 0.05, 0.01）。
計算指標：對於每個閾值，計算對應的精確率和召回率：
- Precision = TP / (TP + FP)
- Recall = TP / (TP + FN) 其中 TP 是真正例、FP 是假正例、FN 是假負例。
繪製點：以（Recall, Precision）為座標繪製點，連接成曲線。
曲線的形狀特徵
理想模型的 PR 曲線會達到（1, 1）：完美精確率和完美召回率。隨著閾值降低，召回率逐漸增加（發現更多正例），但精確率逐漸下降（誤報增加）。曲線通常呈「左上到右下」的下降趨勢。
曲線越靠近左上角越好。完美模型是一條從（0, 1）上升到（1, 1）再水平到右上角的曲線。實際模型的曲線會在這個理想之下。
曲線下面積（AP）
Average Precision（AP）是 PR 曲線下的面積，衡量模型的整體性能。計算方法包括：
簡單梯形積分
AP = Σ (Δ Recall * Precision)
遍歷所有閾值，計算相鄰兩點之間的面積（梯形），求和。
- 插值計算（更精確）： 對於每個召回率水平，取對應的最大精確率，計算積分。這樣避免了精確率波動對面積的影響。
AP 的範圍是 0 到 1。AP > 0.8 表示很好，AP > 0.9 表示優秀，AP < 0.5 表示較差。
與 ROC 曲線的對比
ROC 曲線以假正例率（FPR）為橫軸，真正例率（TPR）為縱軸。 PR 曲線以召回率（TPR）為橫軸，精確率為縱軸。
在類別均衡時，ROC 和 PR 曲線傳達相似信息。在類別不均衡時，PR 曲線更敏感。例如，99:1 的不均衡下，FPR 軸會高度壓縮（FP 最多 1%），ROC 曲線看起來很好。而 PR 曲線直接展示精確率（在低閾值時會明顯下降），更誠實。
實際應用
欺詐檢測：用 PR 曲線評估欺詐檢測模型。曲線上的每個點代表不同的審核嚴格程度。選擇精確率 95% 對應的點，讀出對應的召回率（如 60%）和閾值，部署後自動審核 60% 的欺詐，其餘 40% 留作人工複查。
醫療診斷：用 PR 曲線評估疾病診斷模型。選擇召回率 99% 對應的點（不漏掉患者），讀出對應的精確率和閾值。如精確率是 80%，意味著診斷為患病的患者中 80% 真的患病，20% 是誤診。
搜尋引擎排名：用 PR 曲線評估文檔相關性排名模型。縱軸精確率代表排名結果的相關性，橫軸召回率代表找回相關文檔的完整性。
推薦系統：用 PR 曲線評估推薦模型。精確率代表推薦的準確性（推薦的物品中用戶實際喜歡的比例），召回率代表推薦的完整性（用戶喜歡的物品中被推薦的比例）。
垃圾郵件檢測：用 PR 曲線評估垃圾郵件過濾模型。選擇精確率 99% 的點（確保過濾的郵件確實是垃圾），對應的召回率可能只有 70%（30% 垃圾郵件被漏掉）。這個權衡可以接受（寧可收到垃圾也不要誤殺正常郵件）。
常見誤區
誤區 1：PR 曲線和 ROC 曲線在所有情況下傳達相同信息。在類別均衡時相似，但在嚴重不均衡時，PR 曲線更敏感。不應該只看 ROC，應該同時參考 PR。
誤區 2：曲線下面積（AP）大等於模型在實際應用中性能好。AP 是平均性能，但實際應用可能只關心曲線的特定部分（如精確率 > 90%）。應該在曲線上找到符合業務約束的點。
誤區 3：PR 曲線越靠近（1, 1）越好。實際上，曲線的位置反映模型質量，與達到的點無關。即使曲線無法達到（1, 1），只要在相同條件下比其他模型靠上，就更優。
誤區 4：可以直接比較不同資料集上的 AP 值。AP 依賴正負例的分布。資料集的不均衡度不同，AP 值無法直接比較。應該只在同一資料集上比較不同模型的 AP。
與相關技術的比較
PR 曲線 vs. ROC 曲線：兩者都是評估二分類模型的工具，展示不同閾值下的性能。ROC 用真正例率和假正例率，PR 用精確率和召回率。PR 曲線在類別不均衡下更敏感，ROC 在類別均衡時更直觀。許多應用同時報告兩者。
PR 曲線 vs. F1-score：F1-score 是精確率和召回率的調和均值，單一數值。PR 曲線展示整個權衡過程，更豐富。F1 假設精確率和召回率同等重要，PR 曲線讓從業者根據業務選擇。
PR 曲線 vs. 混淆矩陣：混淆矩陣展示特定閾值下的分類結果（TP、FP、FN、TN）。PR 曲線展示不同閾值下的性能演變。混淆矩陣是點，PR 曲線是線。
PR 曲線 vs. 閾值曲線：閾值曲線展示精確率、召回率、F1 等指標隨閾值的變化。PR 曲線只展示精確率和召回率的關係，不顯示閾值軸。兩者互補。
常見問題
在類別高度不均衡的場景中，為什麼 PR 曲線比 ROC 更好？
類別高度不均衡（如正例 0.1%，負例 99.9%）時，ROC 曲線的假正例率軸會極度壓縮。假正例率 = FP / (FP + TN)，分母（TN + FP）中 TN 通常非常大（負例多），所以即使 FP 增加，FPR 變化也很小。這導致 ROC 曲線在 FPR 軸的低端集中，視覺上顯得模型性能很好（曲線大幅上升），實際上精確率可能很低。PR 曲線的精確率 = TP / (TP + FP) 對不均衡敏感，隨著假正例增加，精確率明顯下降。PR 曲線更誠實地反映「你找到的正例中有多少是真的」，在不均衡場景至關重要。欺詐、疾病診斷等罕見事件檢測必須用 PR 曲線。
如何基於 PR 曲線選擇最優決策閾值？
選擇取決於業務目標。（1）如果目標是最大化 F1-score，在曲線上找精確率 = 召回率的點（F1 最高）。（2）如果有精確率或召回率的硬性要求，在曲線上找滿足該約束的點。例如，要求精確率 >= 90%，找曲線上精確率為 90% 的點，讀出對應的召回率和閾值。（3）如果有成本信息，計算不同點的成本，選擇成本最低的點。（4）如果沒有具體要求，可以選曲線的「膝點」（knee point），即精確率下降和召回率上升速率平衡的位置。實務中，應該多選幾個候選點，與業務負責人討論權衡，最終確定。
AP（曲線下面積）高的模型一定比 AP 低的模型在實際應用中更好嗎？
不一定。AP 是全局平均性能，但實際應用可能只關心曲線的特定部分。例如，模型 A 的 AP = 0.85，模型 B 的 AP = 0.80，但在精確率 > 95% 的區間（可能是業務的硬性要求），模型 B 的召回率更高。在那個約束下，模型 B 更優。AP 用於快速比較整體性能，但具體選型時應該在曲線上找到符合業務約束的點，比較約束下的性能。此外，AP 依賴資料集分布，不同資料集的 AP 無法直接比較。應該只在同一資料集和相同業務約束下比較模型。