---
title: "精確率-召回率曲線（Precision-Recall Curve）"
slug: precision-recall-curve
language: zh-TW
source: https://aiterms.tw/terms/precision-recall-curve
updated_at: 2026-07-30
tags: [模型評估, 機器學習, 分類問題, AI基礎]
ipas_term: false
---

# 精確率-召回率曲線（Precision-Recall Curve）

二分類評估工具，縱軸為精確率，橫軸為召回率，展示模型在不同決策閾值下精確率和召回率的權衡關係，特別適合評估類別不均衡問題

## 完整說明

精確率-召回率曲線（PR 曲線）是評估二分類模型的重要工具，通過改變決策閾值，繪製對應的精確率和召回率，展示兩者的權衡。與 ROC 曲線不同，PR 曲線直接展示目標相關的指標，在類別高度不均衡的場景（如欺詐檢測、罕見疾病診斷）表現優於 ROC。曲線下面積（AP）用於量化模型的整體性能，值越高越好。PR 曲線幫助從業者根據業務成本選擇合適的閾值。

## 常見問題

### 在類別高度不均衡的場景中，為什麼 PR 曲線比 ROC 更好？

類別高度不均衡（如正例 0.1%，負例 99.9%）時，ROC 曲線的假正例率軸會極度壓縮。假正例率 = FP / (FP + TN)，分母（TN + FP）中 TN 通常非常大（負例多），所以即使 FP 增加，FPR 變化也很小。這導致 ROC 曲線在 FPR 軸的低端集中，視覺上顯得模型性能很好（曲線大幅上升），實際上精確率可能很低。PR 曲線的精確率 = TP / (TP + FP) 對不均衡敏感，隨著假正例增加，精確率明顯下降。PR 曲線更誠實地反映「你找到的正例中有多少是真的」，在不均衡場景至關重要。欺詐、疾病診斷等罕見事件檢測必須用 PR 曲線。

### 如何基於 PR 曲線選擇最優決策閾值？

選擇取決於業務目標。（1）如果目標是最大化 F1-score，在曲線上找精確率 = 召回率的點（F1 最高）。（2）如果有精確率或召回率的硬性要求，在曲線上找滿足該約束的點。例如，要求精確率 >= 90%，找曲線上精確率為 90% 的點，讀出對應的召回率和閾值。（3）如果有成本信息，計算不同點的成本，選擇成本最低的點。（4）如果沒有具體要求，可以選曲線的「膝點」（knee point），即精確率下降和召回率上升速率平衡的位置。實務中，應該多選幾個候選點，與業務負責人討論權衡，最終確定。

### AP（曲線下面積）高的模型一定比 AP 低的模型在實際應用中更好嗎？

不一定。AP 是全局平均性能，但實際應用可能只關心曲線的特定部分。例如，模型 A 的 AP = 0.85，模型 B 的 AP = 0.80，但在精確率 > 95% 的區間（可能是業務的硬性要求），模型 B 的召回率更高。在那個約束下，模型 B 更優。AP 用於快速比較整體性能，但具體選型時應該在曲線上找到符合業務約束的點，比較約束下的性能。此外，AP 依賴資料集分布，不同資料集的 AP 無法直接比較。應該只在同一資料集和相同業務約束下比較模型。

---

來源：https://aiterms.tw/terms/precision-recall-curve
快查頁：https://aiterms.tw/terms/precision-recall-curve
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-precision-recall-curve