pr曲線中的p代表的是precision（精準率），r代表的是recall（召回率），其代表的是精準率與召回率的關係，一般情況下，將recall設定為橫座標，precision設定為縱座標。
在機器學習中，分類器往往輸出的不是類別標號，而是屬於某個類別的概率值，根據分類器的**結果從大到小對樣例進行排序，排在前面的是學習器認為最可能是正例的樣本，排在後面的是學習器認為最不可能是正例的樣本，可以選取不同的閾值或者按此順序逐個把樣本作為正例進行**，則每次可計算當前的p、r值，以p為y軸，以r為x軸，可以畫出p-r曲線。
舉例：
inst#是樣本序號，圖中有20個樣本。class是ground truth 標籤，p是positive樣本（正例）,n當然就是negative（負例） score是我的分類器對於該樣本屬於正例的可能性的打分。因為一般模型輸出的不是0,1的標註，而是小數，相當於置信度。
然後設定乙個從高到低的閾值t，大於等於閾值t的被我正式標註為正例，小於閾值t的被我正式標註為負例。
顯然，我設定n個閾值，我就能得到n種標註結果，評判我的模型好不好使。
如上圖：真實情況正例p反例n各有10個。
0.9作為閾值（大於等於0.9為正例，小於0.9為反例），此時tp=1，fp=0，fn=9，故p=1，r=0.1。
用0.8作為閾值，此時tp=2，fp=0，fn=8，p=1， r=0.2。
用0.7作為閾值，此時tp=2，fp=1，fn=7，p=0.67，r=0.2。
用0.6作為閾值，此時tp=3，fp=1，fn=6，p=0.75，r=0.3。
以此類推。。。
最後得到一系列p、r值序列，就畫出p-r曲線（示意圖，不對應上面資料）：
顯然，p-r 曲線越靠近右上角效能越好。
如果乙個學習器的p-r曲線被另乙個學習器的p-r曲線完全包住，則可斷言後者的效能優於前者，例如上面的a和b優於學習器c。但是a和b的效能無法直接判斷，我們可以根據曲線下方的面積大小來進行比較，但更常用的是平衡點或者是f1-score。
平衡點（bep）是p=r時的取值，如果這個值較大，則說明學習器的效能較好。
f1 = 2 * p * r ／( p + r )，f1-score綜合考慮了p值和r值，是精準率和召回率的調和平均值， 同樣，f1值越大，我們可以認為該學習器的效能較好。
在roc曲線中，橫軸是假正例率（fpr），縱軸是真正例率（tpr）。
(1)真正類率(true postive rate)，代表分類器**的正類中實際正例項佔所有正例項的比例。
(2)負正類率(false postive rate)，代表分類器**的正類中實際負例項佔所有負例項的比例。
我們可以發現：tpr=recall。
roc曲線也需要相應的閾值才可以進行繪製，原理同上的pr曲線。
用0.9作為閾值，此時tp=1，fp=0，fn=9，tn=10，故tpr=0.1，fpr=0。
用0.8作為閾值，此時tp=2，fp=0，fn=8，tn=10，故tpr=0.2，fpr=0。
用0.7作為閾值，此時tp=2，fp=1，fn=8，tn=9，故tpr=0.2，fpr=0.1。
用0.6作為閾值，此時tp=3，fp=1，fn=7，tn=9，故tpr=0.3，fpr=0.1。
以此類推。。。
最後的roc曲線如下圖：
roc曲線圖中的四個點
第乙個點：(0,1)，即fpr=0, tpr=1，這意味著fn=0，並且fp=0。這是完美的分類器，它將所有的樣本都正確分類。
第二個點：(1,0)，即fpr=1，tpr=0，類似地分析可以發現這是乙個最糟糕的分類器，因為它成功避開了所有的正確答案。
第三個點：(0,0)，即fpr=tpr=0，即fp=tp=0，可以發現該分類器**所有的樣本都為負樣本（negative）。
第四個點：(1,1)，分類器實際上**所有的樣本都為正樣本。經過以上的分析，roc曲線越接近左上角，該分類器的效能越好。
乙個對比：
這裡補充一下auc的簡單介紹。
auc (area under curve)：roc曲線下的面積，介於0.1和1之間，作為數值可以直觀的評價分類器的好壞，值越大越好。
auc = 1，是完美分類器，採用這個**模型時，存在至少乙個閾值能得出完美**。絕大多數**的場合，不存在完美分類器。
0.5 < auc < 1，優於隨機猜測。這個分類器（模型）妥善設定閾值的話，能有**價值。
auc = 0.5，跟隨機猜測一樣（例：丟銅板），模型沒有**價值
pr曲線和roc曲線都能評價分類器的效能。如果分類器a的pr曲線或roc曲線包圍了分類器b對應的曲線，那麼分類器a的效能好於分類器b的效能。
pr曲線和roc曲線有什麼聯絡和不同：
相同點：
首先從定義上pr曲線的r值是等於roc曲線中的tpr值。
都是用來評價分類器的效能的。
不同點：
roc曲線是單調的而pr曲線不是（根據它能更方便調參），可以用auc的值得大小來評價分類器的好壞（是否可以用pr曲線圍成面積大小來評價呢？）。
正負樣本的分布失衡的時候，roc曲線保持不變，而pr曲線會產生很大的變化。
（a）（b）分別是正反例相等的時候的roc曲線和pr曲線
（c）（d）分別是十倍反例一倍正例的roc曲線和pr曲線
可以看出，在正負失衡的情況下，從roc曲線看分類器的表現仍然較好（圖c），然而從pr曲線來看，分類器就表現的很差。
事實情況是分類器確實表現的不好（分析過程見知乎 qian lv 的回答），是roc曲線欺騙了我們。
參考（感謝）
ROC曲線 PR曲線
在 的結果分析中，roc和pr曲線是經常用到的兩個有力的展示圖。1.roc曲線 roc曲線 receiver operating characteristic 是一種對於靈敏度進行描述的功能影象。roc曲線可以通過描述真陽性率 tpr 和假陽性率 fpr 來實現。由於是通過比較兩個操作特徵 tpr和...
ROC曲線與PR曲線對比
tpr tpp tpt p fn tpr frac frac tpr pt p t p fn tp fpr fpn fpf p tn fpr frac frac fpr nf p f p tn fp roc曲線的縱座標為tpr，真正率，其實也是召回率。分母為所有實際正樣本。roc曲線的縱座標為fpr...
P R曲線和ROC曲線
混淆矩陣又稱錯誤矩陣，指每個類別下，模型 結果的類別和數量在乙個矩陣中展示出來。真實標籤 為正 為負 真實為正 tpfn 真實為負 fptn 又稱為 tpr true positive rate 或者 敏感度sensitivity 通俗理解 真實為正的樣本中識別為正的佔比。t pr tpt p fn...