PR 曲线下的区域不明确。因为在召回 0 处没有明确定义的精度：您在那里得到除以零。

你也不能轻易地缩小这个差距——它可能是从 0 到 1 的任何值，这取决于你的检索效果如何。

有一个常见的近似值 - AveP，平均精度。

好吧，我会尽量给出一些接近维基百科的直觉，如你所愿。PR-AUC 可以被认为是分类器将随机选择的“正”实例（来自检索到的预测）排名高于随机选择的“正”实例（来自原始正类）的概率。需要注意的是，这是基于我自己的解释，可能会出现错误。

在另一个维基百科页面中，以下文本是相关的“精度（也称为阳性预测值）是检索到的相关实例的分数，而召回率（也称为灵敏度）是检索到的相关实例的分数”。

PR-Curve 是一个非常重要的指标，尤其是在处理不平衡数据集时。我建议查看这项研究以获取更多详细信息。

从另一个角度来看，我想说，当敏感性和精确度对实验者都很重要时，我们可以将它们分别视为探索和开发术语。基本上，您可以严格限制正类预测的阈值，允许非常高的精度，但代价是更少的探索（即较低的灵敏度）（或关于正类的新见解）。放宽这个约束，可以允许探索那些我们预测为积极但从未想过的情况。

人们希望始终最大化两者，但在某些情况下，这可能非常困难，并且在某些应用程序中，为了增强另一个而牺牲一个是可取的。