我已经为类不平衡的二元分类问题绘制了上述精度召回曲线。类别是负面的或正面的 有 3018 个观察值，其中 550 个是正面的。这意味着只有大约 18% 的数据是阳性结果。我从这里读到，精确召回曲线的基线是正数与观察数的比率（在平衡数据集中，基线为 0.5）。这与始终固定的 AUC 基线不同。
Precision Recall AUC 分数仅为 0.44，但 ROC AUC 分数为 0.72。这到底是什么意思？我知道 ROC AUC 对不平衡数据集具有误导性，但仅 0.44 的精确召回 AUC 分数似乎非常低。我如何解释这个？真的是差评吗？参考基线，我如何理解这条曲线？
仅 0.44 的精确召回 AUC 分数似乎非常低。
我同意，但是您的模型肯定学到了一些东西，因为您超越了幼稚的基线（技术术语而不是批评！）根据您要预测的内容，AUC 可能令人印象深刻或令人失望。出于类似的原因，您在此处训练的模型可能照样有用，或者可能没有达到最低可行的性能水平。
我如何解释这个？
当您的模型能够检索到一半的正样本（约 50% 的召回率）时，它识别为正的样本中大约有一半实际上是负样本（约 50% 的精度）。除此之外，当我们试图获得更大的召回率时，精度会降低，这是我们所期望的。
真的是差评吗？
有没有人试图预测你之前试图预测的事情？也许您可以将自己与一个更复杂的基线进行比较。如果没有，你需要做更多的工作来确定你是否可以做得更好。对于不平衡的数据集，梯度提升树是超越幼稚（不发生学习）基线的良好基线。如果您还没有尝试过类似 xgboost 的方法。将您刚刚训练的模型作为新的基线并尝试其他一些东西。
参考基线，我如何理解这条曲线？
您使用的基线表示如果您总是预测样本为阳性，您会看到的精度。这显然会导致 100% 的召回率。如果您的模型在精度方面超出此范围，则在图表上的任何位置，它都可能正在学习一些东西。很明显，情况确实如此，因为它一直做得更好。