我有一个数据挖掘任务，我在其中制作基于内容的图像检索系统。我有 5 种动物的 20 张图片。所以总共有100张图片。
我的系统将 10 个最相关的图像返回到输入图像。现在我需要使用 Precision-Recall 曲线来评估我的系统的性能。但是，我不理解 Precision-Recall 曲线的概念。假设我的系统为大猩猩图像返回 10 张图像，但其中只有 4 张是大猩猩。返回的其他 6 张图像是其他动物的。因此，
4/10 = 0.4（返回的相关项）/（全部返回）4/20 = 0.2（相关返回）/（所有相关）所以我只有一个点，<0.2,0.4>而不是曲线。我如何有一条曲线（即一组点）？我是否应该更改返回的图像数量（在我的情况下固定为 10）？
生成 PR 曲线类似于生成 ROC 曲线。要绘制这样的图，您需要对测试集进行完整排名。要进行此排名，您需要一个输出决策值而不是二元答案的分类器。决策值是对预测的置信度的度量，我们可以使用它来对所有测试实例进行排名。例如，逻辑回归和 SVM 的决策值分别是到分离超平面的概率和（有符号）距离。
如果您处理决策值，您将在所述决策值上定义一组阈值。这些阈值是分类器的不同设置：例如，您可以控制保守程度。对于逻辑回归，默认阈值为，但您可以覆盖的整个范围。通常，阈值被选择为您的模型为测试集产生的唯一决策值。
在每次选择阈值时，您的模型都会产生不同的预测（例如，不同数量的正面和负面预测）。因此，您将获得一组具有不同精度的元组，并在每个阈值处进行召回，例如一组元组。PR 曲线是基于对绘制的。
如果我正确理解了您的评论，您计算的总相似度得分可以用作决策值。