我想知道 PR 曲线（Precision-Recall 曲线）是否具有恒定的形状（模式）？

对于比随机更好的模型（ROC 高于 tpr = fpr 线），大多数情况下，准确率和召回率大致成反比关系。因此，我们应该预期（精度，召回）曲线通常会降低（查看这篇关于精度和召回之间关系的帖子）。

我可以计算 PR 曲线的 AUC 来比较哪个模型更好吗？

是的。当测试集中的类不平衡时（例如，查看此博客、此 Kaggle 笔记本和此 2015 论文），它甚至优于 AUC（ROC ）。这是来自参考博客的图片

这表明，与 ROC（左）不同，PRC（右）对不平衡类具有鲁棒性。

这是引用的 Kaggle 笔记本的引述（括号中的文字由我添加）：

对于高度不平衡的数据，ROC 曲线不是一个很好的直观说明，因为当总实负数很大时，误报率（误报/总实负数）不会急剧下降[即，不会产生具有较小 AUC 的较低曲线] [即，负类比正类大得多]。

而精度（真阳性/（真阳性+假阳性））对假阳性高度敏感，并且不受大的总真实阴性分母的影响。

如下图所示

强调黑色模型（黑色曲线），它在中华民国被证明是强大的，但在中国却没有那么强大；鉴于负正比约为 600（当类平衡时，该比应为 1）。

完美的 PR 曲线在右上角。您可以计算计算 PR 曲线的 AUC 以比较模型，并且类似于 AUROC，PR 曲线的 AU 越高越好。另一种选择是在那里选择一个截止值并比较方法。

http://www.chioka.in/differences-between-roc-auc-and-pr-auc/