我最近想出了同样的问题，并在一些帖子中找到了一些帮助，这些帖子在此答案的末尾引用。

像往常一样，我将使用混淆矩阵上下文中常用的缩写：TP（真阳性）、FP（假阳性）、TN（真阴性）、FN（假阴性）。我也会认为正类是少数类，而负类是多数类。

首先，您应该注意到 ROC AUC 和 Precision-Recall AUC 是排名指标[1]。这意味着它们衡量您的概率（或分数）对您的数据排序的程度。ROC 和 Precision-Recall 曲线与排序有关，因为用于构建曲线的阈值的变化。

这些指标之间的区别在于如何量化订购质量 [2]。ROC 分析使用真阳性率（TPR 或召回）和假阳性率 (FPR)。另一方面，Precision-Recall 分析将 FPR 交换为 Precision。然后，当 ROC 使用混淆矩阵的所有单元格（TP、FP、TN、FN）时，Precision-Recall 忽略了对不平衡问题有很大影响的 True Negatives，因为几乎所有数据都属于负类. 因此，Precision-Recall 比 ROC 赋予少数类（正类）更多的权重。这就是为什么 Precision-Recall AUC 更适合严重不平衡问题的原因。

ROC AUC 高但 Precision-Recall AUC 低的更直观的含义是您的模型可以很好地排序您的数据（无论如何，它们中的大多数都属于同一类），但高分与被正类。你对自己的高分不是很有信心，但对低分却很有信心。

[1] https://machinelearningmastery.com/tour-of-evaluation-metrics-for-imbalanced-classification/

[2] https://machinelearningmastery.com/roc-curves-and-precision-recall-curves-for-imbalanced-classification/

ROC AUC 的下限是 0.5，而 AUCPR 的下限是您数据中的阳性率。如果您的阳性率足够低，则 AUCPR 为 0.3 非常出色。