精确率-召回率曲线：在分类或信息检索任务中，用来展示模型在不同阈值下精确率（precision）与召回率（recall）之间权衡关系的曲线。常用于类别极不平衡（正例很少）时评估模型表现。（也常简称 PR curve）
/prsn rkl kv/
We plotted a precision-recall curve to compare the two classifiers.
我们绘制了精确率-召回率曲线来比较这两个分类器。
In highly imbalanced datasets, the precision-recall curve can be more informative than the ROC curve because it focuses on performance for the positive class.
在高度类别不平衡的数据集中，精确率-召回率曲线往往比 ROC 曲线更有信息量，因为它更聚焦于正类的表现。
该术语由三个常用词组合而成：precision（“精确性”，在机器学习中指“预测为正的样本里有多少是真的正”）、recall（“召回”，指“所有真实为正的样本里有多少被找出来”）和 curve（“曲线”）。随着信息检索与机器学习评估方法的发展，人们用“在不同阈值下精确率与召回率的变化轨迹”来形成这条曲线，用于直观呈现二者的取舍关系。
Select Language