待验证60% 置信事实时间未知
在类别严重不平衡时，PR曲线比ROC曲线更能反映模型的真实性能
2
来源数
60%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
混淆矩阵详解：Precision、Recall与F1分数计算公式及实战应用
bilibili拓跋龙的私人领地
涉及实体
相关事实
待验证在正负样本不平衡时精确率-召回率曲线（PR Curve）比ROC曲线更具参考价值，护栏测试中有害样本通常远少于正常样本，因此PR曲线往往更合适79% 相似待验证AUC-PR（PR曲线下面积）常作为不平衡数据集上的模型评估指标73% 相似待验证当正负样本比例发生变化时，ROC曲线的形状能够基本保持不变，而PR曲线通常会出现较大波动72% 相似待验证在不平衡分类问题中，即使模型将所有样本都预测为多数类也能获得很高的准确率，因此需要转向精确率-召回率曲线、F1分数、Matthews相关系数或AUC-ROC等更具鉴别力的指标71% 相似已验证在极度不平衡数据集中（阳性率低于5%），PR曲线下面积（AP）往往比AUC更能反映模型对少数类的检测能力67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/20849API
curl https://kongchang.com/api/v1/knowledge/claims/20849MCP
get_claim(id=20849)