PR曲线实则是以precision（精准率）和recall（召回率）这两个为变量而做出的曲线，其中recall为横坐标，precision为纵坐标。设定一系列阈值，计算每个阈值对应的recall和precision，即可计算出PR曲线各个点。

precision=tp / (tp + fp)

recall=tp / (tp + fn)

可以用sklearn.metrics.precision_recall_curve计算PR曲线

from sklearn.metrics import precision_recall_curve
y_true = [0, 0, 1, 1]
y_score = [0.1, 0.4, 0.35, 0.8]precision, recall, thresholds = precision_recall_curve(y_true, y_score)
print(precision)
print(recall)
print(thresholds)
"""
[0.66666667 0.5 1. 1.]
[1.  0.5 0.5 0. ]
[0.35 0.4  0.8 ]
"""

其中y_true是正确标签，y_score是概率输出值，thresholds是阈值，当y_score>=thresholds，则预测为正样本，当y_score<thresholds，则预测为负样本。注意，输出的precision和recall最后一个值分别为1和0，并且没有对应的阈值。该例子中，正样本实际数量为2个，负样本实际数量为2个。

• 当index=0，thresholds[index]=0.35，此时预测的标签为[0,1,1,1]，tp=2，fp=1，fn=0，所以precision=0.67，recall=1
• 当index=1，thresholds[index]=0.4，此时预测的标签为[0,1,0,1]，tp=1，fp=1，fn=1，所以precision=0.5，recall=0.5
• 当index=2，thresholds[index]=0.8，此时预测的标签为[0,0,0,1]，tp=1，fp=0，fn=1，所以precision=1，recall=0.5