如何通过PR曲线在Scikit-learn中评估模型的精确率和召回率？

本文共计697个文字，预计阅读时间需要3分钟。

这是最常见的起步卡片点：

解决方法不是换函数，而是加average参数：

• average='macro'：对每个类单独算精确率/召回率，再无权重平均（推荐初筛）
• average='micro'：全局统计TP/FP/FN，适合类别不均衡时更稳
• average=None：返回每个类的原始值，方便查哪一类拖后腿

别漏掉zero_division参数——某类没预测出来时，默认会报UndefinedMetricWarning，设成zero_division=0可静默填0。

画PR曲线必须用precision_recall_curve，不能用classification_report

classification_report只给阈值为0.5时的单点指标，而PR曲线本质是“换一堆阈值，看精确率和召回率怎么 trade-off”。真要画图，得靠precision_recall_curve——它只收概率输出（y_score），不接受硬分类结果（y_pred）。

立即学习“Python免费学习笔记（深入）”；

典型错误是把model.predict(X)传进去，结果得到全0或全1的y_score，画出来就是两条直线。