在类不平衡的数据集上测试分类器时，精确召回曲线被认为比 ROC 曲线更好。

这种说法是完全错误的。

一般来说，像“X 比 Y 好”这样的陈述应该持保留态度。它通常取决于用例，您的目标是什么等。但是，上面的陈述比这更错误。让我们来看看。

PR 曲线绘制以下参数：

精度 = TP/(TP+FP)

召回 = TP/(TP+FN)

请注意等式中没有真阴性 (TN) 吗？

当正面例子很少时， PR 曲线很有用。如果你的数据集与罕见的负数不平衡，你绝对不应该使用 PR 曲线。

当数据集只包含几个正例时，您需要关心一个新问题：正预测值（= PPV = Precision）。具体来说：给定一个观察被归类为正例，它真正为真正例的概率是多少？当积极的例子很少时，这个问题的答案可能会令人惊讶地误导。

PPV 和 NPV（补充：假设观察结果是否定的，真阴性的概率是多少）在平衡数据集中通常不是问题，因为它们遵循通常的敏感性和特异性。PPV 和 NPV 仅在不平衡数据集中变得至关重要，因为这两个度量对类别不平衡很敏感，这与 ROC 曲线不同。因此 ROC 曲线可能会掩盖 PPV 和 NPV 较差的模型，这在不平衡的情况下可能是一个问题。PR 曲线将立即突出显示 PPV 较差的模型并完全忽略 NPV。

因此，最终由您决定使用哪种工具。不要因为不平衡就使用 PR 曲线。正面例子很少见吗？它们在您的样品中特别罕见吗？然后坚持使用 ROC 曲线。他们在普通人群中很少见吗？然后你应该考虑精度并查看 PR 曲线。负面案例很少见吗？然后坚持ROC曲线。

这是一个有趣的问题。我不同意大多数人说 ROC 对于不平衡数据总是很糟糕的说法。这实际上取决于用例以及您想对 ROC 曲线说什么。

我认为为什么有些人认为 ROC 是衡量不平衡问题的一个坏指标，可能是因为它主要关注正面例子，而忽略了其他（负面）类。

即，在 ROC 曲线中，您有 TP/P 和 FP/N。

使用 Precision-Recall 曲线，您还可以通过召回 TN/N 关注正确预测的负例（即，真正的负例 TN 是造成差异的原因）。

在任何一种情况下，我都不会说 PRE-REC 总是优于 ROC 曲线，这实际上取决于上下文。