P-R曲线，是指以查准率（亦称准确率）为纵轴、查全率（亦称召回率）为横轴画出的曲线，反映了查准率随查全率的变化趋势，在机器学习中常用于二分类模型的评价及选择。

p r e c i s i o n = T P T P + F P precision = \frac{TP}{TP+FP} precision=TP+FPTP​

r e c a l l = T P T P + F N recall = \frac{TP}{TP+FN} recall=TP+FNTP​

在训练集上训练出二分类模型后我们将测试集中的数据输入模型，这时我们可以计算得到这些数据属于某个类别的概率，将这些预测概率从小到大排列，然后将分类阈值依次设为[0，1]区间中不同的概率值并计算这时的准确率和召回率，最后将这些准确率和召回率在二维坐标系中连起来就得到了ROC曲线

为了说明计算细节，这里使用一个虚构的例子：假设数据集有两个特征，分别是length和width，取值都是整数，标签有两类，分别是0和1，并且类别1是正类（positive）；假设我们在这个数据集上训练得到的树模型如下：

并且我们假设训练数据在叶节点的分布如下：

其中

某 叶 节 点 属 于 类 别 1 的 概 率 = 落 在 该 节 点 的 真 实 类 别 为 1 的 样 本 数 落 在 该 节 点 的 总 样 本 数 某叶节点属于类别1的概率=\frac{落在该节点的真实类别为1的样本数}{落在该节点的总样本数} 某叶节点属于类别1的概率=落在该节点的总样本数落在该节点的真实类别为1的样本数​

并且叶节点的预测类别为它的所属概率更大的那个类别

假设测试集为：

按照我们决策树的划分，可以得到测试集属于正类（类别1）的概率分别为（例如测试数据1最终被分到了叶节点2，那么它属于类别1的概率就是叶节点2属于类别1的概率）：

将他们按概率大小排列得到：

现在我们将分类阈值分别设为0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，并将概率大于阈值的测试样本预测为类别1，可以得到不同分类阈值下的准确率和召回率：

将（召回率，准确率）在坐标中画出来就得到了P-R曲线： 可见我们虚构的模型表现不太理想

我们以sklearn.datasets中的乳腺癌数据集为例，这是一个二分类数据集，我们将在这个数据集上学习一个分类树模型并绘制该模型的P-R曲线：

输出：

sklearn已经封装了绘制P-R曲线的函数，使用时只要导入sklearn.metrics.precision_recall_curve就可以了。该函数参数如下：

函数返回三个列表：

我们还是以sklearn.datasets中的乳腺癌数据集为例，在这个数据集上建立一个逻辑回归模型，并绘制该模型的P-R曲线：

输出：