使用python画precision-recall曲线的代码是：

sklearn.metrics.precision_recall_curve(y_true, probas_pred, pos_label=None, sample_weight=None)

以上代码会根据预测值和真实值，并通过改变判定阈值来计算一条precision-recall典线。

注意：以上命令只限制于二分类任务

precision(精度)为tp / (tp + fp)，其中tp为真阳性数，fp为假阳性数。

recall(召回率)是tp / (tp + fn)，其中tp是真阳性数，fn是假阴性数。

参数：

• y_true：array, shape = [n_samples]：真实标签。如果标签不是{-1,1}或{0,1}，那么pos_label应该显式给出。
• probas_pred：array, shape = [n_samples] ：正类的预测概率或决策函数
• pos_label：int or str, default=None：正类标签。当pos_label=None时，如果y_true为{- 1,1}或{0,1}，则pos_label设置为1，否则将报错。

返回值：

• precision：array, shape = [n_thresholds + 1]：精度，最后一个元素是1。
• recall：array, shape = [n_thresholds + 1]：召回率，最后一个是0
• thresholds：array, shape = [n_thresholds <= len(np.unique(probas_pred))]：用于计算精度和召回率的决策函数的阈值

例子：

import numpy as np
from sklearn.metrics import precision_recall_curve
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)

>>> precision
array([0.66666667, 0.5, 1., 1.])
>>> recall
array([1., 0.5, 0.5, 0.])
>>> thresholds
array([0.35, 0.4, 0.8])

sklearn.metrics.average_precision_score则计算预测值的平均准确率（AP: average precision）。该分数对应于presicion-recall曲线下的面积。该值在0和1之间，而且更高更好。 

sklearn.metrics.average_precision_score(y_true, y_score, average='macro', pos_label=1, sample_weight=None)

参数：

y_true：array, shape = [n_samples] or [n_samples, n_classes]

二元真实标签或二元标签指示器

y_score：array, shape = [n_samples] or [n_samples, n_classes]

目标分数，可以是正类的预测概率，置信度，或者无阈值决策

average：string, [None, ‘micro’, ‘macro’ (default), ‘samples’, ‘weighted’]

pos_label：int or str (default=1)

返回值：

average_precision：float

举例：

import numpy as np
from sklearn.metrics import average_precision_score
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
average_precision_score(y_true, y_scores)
# 0.83...