把正例正確分類為正例，表示為TP（true positive），把正例錯誤分類為負例，表示為FN（false negative），

把負例正確分類為負例，表示為TN（true negative）， 把負例錯誤分類為正例，表示為FP（false positive）

精確率和召回率可以從混淆矩陣中計算而來，precision = TP/(TP + FP), recall = TP/(TP +ＦＮ)

那麼P-R曲線是怎麼來的呢？

演算法對樣本進行分類時，都會有置信度，即表示該樣本是正樣本的概率，比如99%的概率認為樣本Ａ是正例，１％的概率認為樣本B是正例。通過選擇合適的閾值，比如50%，對樣本進行劃分，概率大於50%的就認為是正例，小於50%的就是負例。

通過置信度就可以對所有樣本進行排序，再逐個樣本的選擇閾值，在該樣本之前的都屬於正例，該樣本之後的都屬於負例。每一個樣本作為劃分閾值時，都可以計算對應的precision和recall，那麼就可以以此繪製曲線。那很多書上、部落格上給出的P-R曲線，都長這樣

當然，這種曲線是有可能的。但是仔細琢磨就會發現一些規律和一些問題。

根據逐個樣本作為閾值劃分點的方法，可以推敲出，recall值是遞增的（但並非嚴格遞增），隨著劃分點左移，正例被判別為正例的越來越多，不會減少。而精確率precision並非遞減，二是有可能振盪的，雖然正例被判為正例的變多，但負例被判為正例的也變多了，因此precision會振盪，但整體趨勢是下降。

另外P-R曲線肯定會經過（0,0）點，比如講所有的樣本全部判為負例，則TP=0，那麼P=R=0，因此會經過（0,0）點，但隨著閾值點左移，precision初始很接近1，recall很接近0，因此有可能從（0,0）上升的線和座標重合，不易區分。如果最前面幾個點都是負例，那麼曲線會從（0,0）點開始逐漸上升。

曲線最終不會到（1,0）點。很多P-R曲線的終點看著都是（1,0）點，這可能是因為負例遠遠多於正例。

最後一個點表示所有的樣本都被判為正例，因此FN=0，所以recall = TP/(TP + FN) = 1, 而FP = 所有的負例樣本數，因此precision = TP/(TP+FP) = 正例的佔所有樣本的比例，故除非負例數很多，否則precision不會為0.

因此，較合理的P-R曲線應該是（曲線一開始被從（0，0）拉昇到（0,1），並且前面的都預測對了，全是正例，因此precision一直是1,）

另外，如果有個劃分點可以把正負樣本完全區分開，那麼P-R曲線就是整個1*1的面積。

總之，P-R曲線應該是從（0,0）開始畫的一條曲線，切割1*1的正方形，得到一塊區域。