Генератор кривых точность–полнота

Что показывает кривая точности-полноты (Precision-Recall Curve)?

Кривая точности-полноты (PR-кривая) иллюстрирует баланс между прогностической ценностью положительного результата (Precision) и чувствительностью (Recall) при изменении порога классификации. Она незаменима при анализе редких событий и в задачах, где цена ложноположительного срабатывания критически высока.

Требования к данным для генератора PR-кривой

• Предоставьте фактическую бинарную метку класса и непрерывную оценку модели (вероятность или скоринг) для каждого объекта.
• Добавьте необязательный столбец модели, итерации кросс-валидации или когорты для сравнения нескольких кривых.
• Соблюдайте единое определение положительного класса для всех сопоставляемых моделей.
• Используйте предсказания, полученные на отложенных выборках или в ходе корректной кросс-валидации, избегая обучающих выборок.

Примеры применения Precision-Recall кривых в исследованиях

• Точность–полнота при дисбалансе классов
• PR AUC для скрининга заболеваний
• Многоклассовая кривая точность–полнота
• Сравнение ROC и PR
• Точность–полнота детектора объектов
• PR-кривая со средней точностью

Зачем использовать Precision-Recall кривую?

• Объективная оценка классификаторов в условиях сильного дисбаланса классов (когда целевое событие происходит редко).
• Наглядная демонстрация снижения точности (Precision) при попытках максимизировать полноту охвата (Recall).
• Выбор оптимального рабочего порога модели под конкретные прикладные требования.
• Публикация метрики средней точности (Average Precision, AP) или площади под кривой (AUC-PR) в связке с графиком.

Как пользоваться Генератор кривых точность–полнота

Выберите пример или загрузите один файл CSV, TSV, TXT, XLSX либо XLS. Проверьте распознанные столбцы, создайте график и отредактируйте его в SciVis. Для Excel используется первый лист.

Элементы корректной Precision-Recall кривой

• Полнота (Recall) на оси X и точность (Precision) на оси Y.
• Явное указание в подписи, какой именно класс принят за положительный.
• Базовая линия случайного классификатора (no-skill baseline), соответствующая доле положительного класса в выборке.
• Отображение доверительных интервалов или отдельных кривых для каждого фолда валидации.

Precision-Recall кривая или ROC-кривая?

Используйте PR-кривую при сильном дисбалансе классов или когда критически важно минимизировать ложноположительные исходы. ROC-кривая опирается на специфичность и может выглядеть обманчиво оптимистично при редком целевом классе. В научных публикациях хорошим тоном считается приведение обоих графиков.