P-R 曲线和 ROC 曲线有什么区别？什么时候用哪个？

简化版

两者都是遍历阈值画出的评估曲线。ROC 曲线 的轴是 FPR（横）和 TPR（纵）；P-R 曲线 的轴是 召回率 Recall（横）和精确率 Precision（纵）。关键区别在对类别不平衡的敏感度：ROC 的两个轴分别在正、负样本内部归一化，对类别比例不敏感、比较稳定；而 P-R 曲线的精确率分母含 FP，直接受负样本数量影响，所以在类别极度不平衡（正类很少）时，P-R 曲线更敏感、更能暴露模型的真实问题。经验：关注正类、正负样本悬殊（如欺诈、疾病、检索）用 P-R 曲线；类别较均衡或要综合比较模型用 ROC/AUC。

详细版

两条曲线对比：

	ROC 曲线	P-R 曲线
横轴	FPR = FP/(FP+TN)	Recall = TP/(TP+FN)
纵轴	TPR = TP/(TP+FN)	Precision = TP/(TP+FP)
理想位置	左上角	右上角
面积指标	AUC（AUROC）	AP / AUPRC
对不平衡	不敏感、稳定	敏感、随正类比例变
随机基线	对角线（0.5）	水平线 = 正类比例

关键差异根源：

ROC 的 FPR 分母是负样本数，TPR 分母是正样本数——正负分开归一化，类别比例变了曲线基本不变。
P-R 的 Precision 分母是 TP+FP——负样本一多，FP 容易变大，Precision 下降明显，曲线随不平衡剧烈变化。

完整版教学

一、两条曲线的定义

ROC 和 P-R 曲线都是遍历所有分类阈值、把每个阈值下的一对指标连成的曲线，用来评价模型在各种权衡下的整体表现。区别只在用哪两个指标做轴：

ROC 曲线：横轴 FPR = FP/(FP+TN)（误报率），纵轴 TPR = TP/(TP+FN)（召回率）。越靠左上角越好。
P-R 曲线：横轴 Recall = TP/(TP+FN)（召回率），纵轴 Precision = TP/(TP+FP)（精确率）。越靠右上角越好。

对应的面积指标：ROC 是 AUC（AUROC），P-R 是 AP（平均精确率）/ AUPRC。

ROC 的 FPR 与 TPR 分别在真实负类、正类内部归一化；PR 的 Precision 同时受 TP 与 FP 影响。若保持类条件分数分布不变、只改变类别先验，理论 ROC 不变而 PR 会变化；现实换人群也可能改变条件分布，因此不能说 ROC 永远稳定。

AP 常按 Recall 增量对 Precision 加权求和，AUPRC 也可能指梯形积分。不同库的插值、并列分数和正类定义不同，面积数字不能脱离实现直接比较。

二、核心区别：对类别不平衡的敏感度

这是本题的关键，也是选择两者的依据。区别的根源在于三个指标的分母各含什么：

TPR 分母 = TP+FN = 正样本总数（只和正样本有关）。
FPR 分母 = FP+TN = 负样本总数（只和负样本有关）。
Precision 分母 = TP+FP（含 FP，和负样本数量强相关）。

看出关键了：ROC 的两个轴（TPR、FPR）分别在正样本和负样本内部归一化，所以改变正负样本的比例，ROC 曲线基本不变——它对类别不平衡不敏感、很稳定。

而 P-R 的 Precision 分母含 FP：当负样本极多（正类很少）时，即使模型误报率（FPR）很低，绝对的 FP 数量也可能很大，导致 Precision 显著下降。所以类别越不平衡，P-R 曲线变化越剧烈、越能反映模型在「正类稀少」下的真实困境。

三、举例：为什么不平衡时 ROC 会「骗人」

假设做欺诈检测：10000 笔交易里只有 100 笔欺诈（1% 正类），负样本 9900 笔。某模型抓到 90 个欺诈（TP=90，FN=10），但误报了 900 笔正常交易（FP=900）：

FPR = 900/9900 ≈ 0.09——看着很小！ROC 上这个点靠近左上角，这个 ROC 工作点在横轴上仍可能显得不大；单点不能推出 AUC。
Precision = 90/(90+900) ≈ 0.09——只有 9%！意味着模型报警的 990 笔里只有 90 笔真欺诈，90% 是误报，实际几乎没法用。

同一个模型，ROC 说「不错」，P-R 说「很差」。因为负样本基数大（9900），900 个 FP 摊到 FPR 里显得微不足道，但摊到 Precision 里就很致命。这就是极端不平衡下 ROC 过于乐观、P-R 更如实的原因。

四、随机基线也不同

ROC 的随机基线是固定的对角线（AUC=0.5），和类别比例无关。
P-R 的随机基线是一条水平线，高度 = 正类比例（正类 1% 时基线就在 0.01）。所以看 P-R 曲线要对照这个随类别变化的基线判断模型好坏。

随机排序的总体期望 ROC 基线是对角线，AUROC=0.5；PR 的期望基线与正类率 π 相关。有限样本经验曲线会围绕基线波动，样本权重也会改变有效先验。

正类率 π	随机 PR 基线
50%	0.50
10%	0.10
1%	0.01

AP 跨数据集下降，可能是排序变差，也可能只是先验不同；比较前要固定或报告评估分布。

五、什么时候用哪个

用 P-R 曲线：
  - 类别极度不平衡、正类稀少（欺诈、疾病筛查、异常检测、信息检索）
  - 主要关注「正类」的查准查全，不太在乎大量负类
用 ROC / AUC：
  - 类别相对均衡
  - 想要对类别比例稳健、可跨数据集比较的指标
  - 关注整体排序能力（正负样本都重要）

正类稀少且是关注重点 → P-R 曲线（更敏感、更能反映真实性能）。
要一个稳定、与比例无关的综合排序指标 → ROC/AUC。
实践中两者常一起看：ROC 看整体排序，P-R 看不平衡下正类的实际可用性。

六、常见追问

P-R 和 ROC 最本质区别？ ROC 对类别不平衡不敏感（TPR/FPR 各自归一化）；P-R 对不平衡敏感（Precision 分母含 FP，受负样本数影响）。
不平衡为什么用 P-R？ 负样本多时 ROC/AUC 偏乐观，P-R 能暴露 Precision 低的真实问题。
P-R 的随机基线是多少？ 等于正类比例（不是 0.5）。
AP 是什么？ 按召回率增量对 Precision 加权的平均精确率；它与梯形插值 AUPRC 可能不同，不平衡场景常用它替代 AUC。
两条曲线会矛盾吗？ 会——不平衡时 ROC 好看但 P-R 差，以关注正类的 P-R 为准。

七、用同一工作点比较两条曲线的观察角度

100 个正例、9900 个负例中，若 TP=90,FN=10,FP=900,TN=9000，则 TPR=0.90、FPR≈0.091、Precision≈0.091。ROC 点 (0.091,0.90) 表明在约 9.1% 的负类误报率下抓到 90% 正类；PR 点 (0.90,0.091) 直接表明报警中仅约 9.1% 为真。这个单一工作点不能推出 AUC 大小，AUC 必须由全部阈值排序计算。

情况	AUROC	AP/AUPRC 的变化
只改变评估集正类占比，类内分数分布不变	理论上保持	随 prevalence 改变
类内分数分布也发生漂移	可能改变	也会改变
只关心低 FPR 区域	全局 AUC可能稀释重点	PR仍聚焦正类但也需看工作区

阈值从高到低 → 同时得到 (FPR,TPR) 与 (Recall,Precision)
                → ROC 看类内率
                → PR 看预测正例的纯度

AP 常按召回率每次增加时的 Precision 加权求和，AUPRC 可能采用梯形积分；不同库和插值约定下二者不必完全相同。跨数据集比较时还要说明先验比例和分布是否一致。

易错点：ROC 对 prevalence 不直接敏感，不代表它对所有数据漂移稳定，更不代表能忽略线上绝对 FP 数。

八、常见误区与追问

误区：一个 ROC 工作点很好就能断言 AUC 很高。 AUC取决于全阈值排序，单点不足以确定曲线面积。
误区：AP 与任意算法算出的梯形 AUPRC 永远相等。 插值和积分定义不同可能产生差异。
追问：PR 的随机基线是什么？ 在独立随机排序的期望下与正类 prevalence 对应。
追问：ROC 为什么不能自动跨数据集公平比较？ 类别条件分数分布、标注和采样机制变化都会改变含义。
追问：业务只允许 FPR≤0.1% 怎么办？ 比较该局部区域、partial AUC 或约束下的 TPR，而非只看全局 AUC。

九、加强记忆

ROC 和 P-R 都是遍历阈值的评估曲线，区别在轴和对不平衡的敏感度：ROC（横 FPR、纵 TPR，靠左上，面积 AUC）——TPR/FPR 分别在正/负样本内归一化，对类别比例不敏感、稳定；P-R（横 Recall、纵 Precision，靠右上，面积 AP）——Precision 分母含 FP、受负样本数强影响，对不平衡敏感。所以极端不平衡（正类稀少）时 ROC 偏乐观、会「骗人」（欺诈例：FPR 0.09 好看，但 Precision 0.09 说明 90% 误报），P-R 更如实。随机基线：ROC 是对角线 0.5、P-R 是正类比例的水平线。选择：正类稀少且关注正类用 P-R，类别较均衡或需整体排序概览可看 ROC/AUC，实践常两者一起看。

简化版

详细版