PR曲線 ぴーあーるきょくせん
PR曲線Precision-Recall曲線AUC-PR不均衡データ評価分類評価
PR曲線について教えて
簡単に言うとこんな感じ！
「適合率（Precision）」と「再現率（Recall）」の関係を閾値ごとにプロットした曲線だよ。不均衡データ（陽性が超少ない）では、ROC曲線だとモデルが良く見えすぎることがあるんだけど、PR曲線なら現実に近い評価ができるんだ！
PR曲線とは
PR曲線（Precision-Recall Curve）は、分類モデルの判定閾値を変えたときの適合率（Precision）と再現率（Recall）の変化を描いたグラフです。ROC曲線と並ぶ代表的な分類評価ツールですが、特にクラス不均衡データに適しているという特徴があります。
横軸にRecall（再現率）、縦軸にPrecision（適合率）をプロットし、閾値を変化させながら曲線を描きます。曲線の下側の面積（AUC-PR）がモデルの性能を1値で表します。
ROC曲線との比較
| 比較項目 | ROC曲線 | PR曲線 |
|---|---|---|
| 軸 | FPR vs TPR | Recall vs Precision |
| 均等データ | 有効 | 有効 |
| 不均衡データ | 楽観的すぎる場合あり | より現実的な評価 |
| 基準線（ランダム） | y=x の対角線 | 陽性率の水平線（低い） |
| 完璧なモデル | AUC = 1.0 | AUC = 1.0 |
なぜ不均衡データにPR曲線が有効か
例：1000件のデータで陽性が10件（1%）の場合
TN（正常を正常と判定）が非常に多い
→ ROC曲線のFPR（偽陽性率）が小さく見える
→ ROC-AUCが高く見えやすい（実態よりよく見える）
PR曲線はTPとFPだけに着目するため
TN（正常の正常判定）の影響を受けない
→ 少数クラスの検出性能をより正確に評価できる歴史と背景
使い分けの指針
均等なクラス分布 → ROC曲線
強いクラス不均衡 → PR曲線を重視
どちらも報告が理想 → 両方掲載する