一、原理講解
p-r曲線就是精確率precision vs 召回率recall 曲線，以recall作為橫座標軸，precision作為縱座標軸。首先解釋一下精確率和召回率。
解釋精確率和召回率之前，先來看下混淆矩陣，負正
負tnfp正
fntp
把正例正確分類為正例，表示為tp（true positive），把正例錯誤分類為負例，表示為fn（false negative），
把負例正確分類為負例，表示為tn（true negative）， 把負例錯誤分類為正例，表示為fp（false positive）
精確率和召回率可以從混淆矩陣中計算而來，precision = tp/(tp + fp), recall = tp/(tp +ｆｎ)
那麼p-r曲線是怎麼來的呢？
演算法對樣本進行分類時，都會有置信度，即表示該樣本是正樣本的概率，比如99%的概率認為樣本ａ是正例，１％的概率認為樣本b是正例。通過選擇合適的閾值，比如50%，對樣本進行劃分，概率大於50%的就認為是正例，小於50%的就是負例。
通過置信度就可以對所有樣本進行排序，再逐個樣本的選擇閾值，在該樣本之前的都屬於正例，該樣本之後的都屬於負例。每乙個樣本作為劃分閾值時，都可以計算對應的precision和recall，那麼就可以以此繪製曲線。那很多書上、部落格上給出的p-r曲線，都長這樣
當然，這種曲線是有可能的。但是仔細琢磨就會發現一些規律和一些問題。
根據逐個樣本作為閾值劃分點的方法，可以推敲出，recall值是遞增的（但並非嚴格遞增），隨著劃分點左移，正例被判別為正例的越來越多，不會減少。而精確率precision並非遞減，二是有可能振盪的，雖然正例被判為正例的變多，但負例被判為正例的也變多了，因此precision會振盪，但整體趨勢是下降。
另外p-r曲線肯定會經過（0,0）點，比如講所有的樣本全部判為負例，則tp=0，那麼p=r=0，因此會經過（0,0）點，但隨著閾值點左移，precision初始很接近1，recall很接近0，因此有可能從（0,0）上公升的線和座標重合，不易區分。如果最前面幾個點都是負例，那麼曲線會從（0,0）點開始逐漸上公升。
曲線最終不會到（1,0）點。很多p-r曲線的終點看著都是（1,0）點，這可能是因為負例遠遠多於正例。
最後乙個點表示所有的樣本都被判為正例，因此fn=0，所以recall = tp/(tp + fn) = 1, 而fp = 所有的負例樣本數，因此precision = tp/(tp+fp) = 正例的佔所有樣本的比例，故除非負例數很多，否則precision不會為0.
二、通過pr曲線判斷分類器效能
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值。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。而f1 = 2 * p * r ／( p + r )，同樣，f1值越大，我們可以認為該學習器的效能較好。
補充：
roc曲線（類似於pr曲線的另一種曲線）中，越接近左上角的曲線越好。
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
參考說明
Python下通過PR曲線值計算AP
直接放 從官方那邊摳出來的ap計算 內部分為voc2007之前的11點計算方法和voc2007之後的方法，目前都已經採用else 內的計算方法 import numpy as np def voc ap rec,prec,use 07 metric false ap voc ap rec,prec,...
貝塞爾曲線初探及原理
貝塞爾曲線，可以通過三個點，來確定一條平滑的曲線。在計算機圖形學應該有講。是圖形開發中的重要工具。實現的是乙個圖形做圓周運動。不過不是簡單的關鍵幀動畫那樣，是計算出了很多點，當然還是用的關鍵幀動畫，即使用cakeyframeanimation。有了貝塞爾曲線的支援，可以賦值給cakeyframean...
高斯曲線擬合原理及實現
高斯 擬合 gaussian fitting 即使用形如 gi x ai exp x bi 2 ci 2 的高斯函式 對資料點集進行函式逼近的 擬合方法。其實可以跟 多項式擬合 模擬起來，不同的是 多項式擬合是用 冪函式系，而高斯擬合是用 高斯函式 系。使用 高斯函式 來進行擬合，優點在於計算積分十...