ROC 曲线下的面积相当于一致性（又名统计量）$c$（不是准确度！）。这可以解释为随机正数被分配比随机负数更高的分数的概率。不幸的是，PR 曲线下的面积没有这样的解释（我知道）。

ROC 和 PR 曲线之间的关系源于两者都基于相同来源的事实：每个可能的决策值阈值的列联表。每个阈值导致一个列联表（例如，，，）。$T$$TP^{(T)}$$FP^{(T)}$$TN^{(T)}$$FN^{(T)}$

ROC 空间中的每个点都基于某个决策阈值，因此与 PR 空间中的一个点重合。如果给定模型的 ROC/PR 曲线占主导地位，则该模型的 PR/ROC 曲线也将占主导地位（参见 Davis & Goadrich）。$T$

另外，例如，如果我在 ROC 曲线中获得分类器的最佳阈值（例如最小化错误的阈值），我可以使用该最佳阈值并计算 PR 曲线中的精度和召回率吗？

两点说明：如果您想选择最小化误差（最大化准确性）的阈值，则不需要 ROC 曲线（实际上它们甚至没有显示）。其次，如果您决定了一个阈值，您可以使用相应的列联表来直接获得您想要的任何其他措施。不要费心计算完整的 PR 曲线然后选择其中的 1 个点。

请记住， ROC 或 PR 曲线都不会显示哪个阈值会在给定空间中产生某个点。它们只是向您展示了模型能够进行的可能的权衡。也就是说，如果您保留它们对应的阈值的记录，您显然可以将 ROC/PR 空间中的一个点映射到一个阈值（无论如何大多数软件包都会这样做）。