PR 曲线

Parent: ai_keywords

PR 曲线（Precision-Recall Curve）

核心定义

PR 曲线（Precision-Recall Curve）是机器学习分类任务中评价模型性能的可视化工具。它以**精确率（Precision）**为纵轴、召回率（Recall）为横轴，刻画在不同分类阈值下模型的性能变化。特别适用于处理类别严重不平衡的问题（例如罕见病诊断），此时阳性样本数远少于阴性样本，PR 曲线比 ROC 曲线提供更敏感和真实的评估。

关键技术点

  1. 精确率与召回率的权衡

    • 精确率 = TP / (TP + FP)：预测为阳性的样本中真正阳性的比例，衡量模型“不出错”的能力。
    • 召回率 = TP / (TP + FN)：真实阳性样本中被正确识别出的比例，衡量模型“不漏诊”的能力。
      PR 曲线越向右上方隆起，表示同时维持高精确率与高召回率。

  2. 平均精确率（Average Precision, AP）
    PR 曲线下的面积（AUC-PR）即 AP 值，是一种数值化概括。AP 越高，模型对罕见阳性类的识别稳定性越好，常被用于目标检测（如 mAP）及医学诊断阈值优化。

  3. 与 ROC 曲线的区别

    • ROC 曲线基于 TPR 和 FPR，受阴性样本数影响大；在不平衡数据中易虚假乐观（高 AUC-ROC 掩盖低精确率）。
    • PR 曲线直接关注阳性类，更能揭示模型在少量正例下的实际表现，是临床辅助诊断系统的首选评估指标。

  4. 阈值选择策略
    基于 PR 曲线可以确定操作点（Operating Point），根据临床需求选择最优阈值：例如在癫痫发作预警中，宁可牺牲部分精确率（允许少许误报）也要保障高召回率（不漏掉发作），此时选择召回率≥95%对应的最低阈值。

医学/神经科学应用场景

基于脑电图的癫痫发作检测（联合首都医科大学神经病学研究所背景）

  • 问题：癫痫患者的长程脑电图（EEG）数据中，发作期（阳性）仅占 <5% 的记录时间，呈现极度不平衡。
  • 方法：以卷积神经网络或 Transformer 模型对 EEG 片段分类，输出发作概率。调整分类阈值，绘制PR曲线并计算 AP。
  • 临床价值：通过PR曲线评估模型在极低阳性率下的真实辨别力。研究发现，优质模型在召回率 >90% 时仍能保持精确率 >80%，而劣质模型精确率会骤降至30%以下。据此优化警觉系统，使得 ICU 医护人员可在误报率可接受范围内（如每24小时 2-3 次）捕获绝大多数亚临床发作，显著降低癫痫持续状态漏诊风险。