presisjonRecallkurver

Presisjons–gjenkallelse kurver, ofte kalt PR-kurver, er et verktøy for å evaluere ytelsen til et binært klassifiseringssystem ved å visualisere forholdet mellom presisjon og gjenkallelse over ulike terskler for beslutningstaking. Presisjon er andelen av identifiserte positive som faktisk er positive; gjenkallelse er andelen av alle faktiske positive som blir identifisert av modellen.

PR-kurven tegnes ved å sortere prediksjonene etter sannsynlighet eller score og beregne presisjon og gjenkallelse ved ulike terskler. Når terskelen senkes, øker vanligvis gjenkallelsen, mens presisjonen ofte faller. Kurven gir dermed et bilde av hvordan en modell balanserer feil-positive og feil-faile.

Bruk og tolkning: PR-kurven er spesielt nyttig når den positive klassen er sjelden eller når det er viktig å opprettholde høy presisjon blant positive på bekostning av noe gjenkallelse. Området under kurven (AUPRC) oppsummerer ytelsen over alle terskler; ofte brukes også gjennomsnittlig presisjon (Average Precision, AP) som en oppsummeringsmetode. Ved flerklassesproblem kan man beregne PR-kurver per klasse i en one-vs-rest-tilnærming eller aggregere ved mikro- eller makro-tilnærming.

Forhold til ROC-kurver: PR-kurver kan være mer informative enn ROC-kurver ved skjevfordelte data, siden ROC ofte gir et robust bilde også når positive tilfeller er få. Begrensninger inkluderer at PR-kurver er følsomme for endringer i klassefordelingen mellom datasett og kan være vanskelig å tolke når dataene skifter over tid.