Recall值与precision-recall曲线的关系

我迷失在查全率和查全率曲线下面积之间的关系中。我正在使用二元分类器对不平衡的数据集进行分类。我通过默认的sklearn python包记录了recall值和precision-recall曲线值下的面积。就我而言，第 1 类是稀有类，第 0 类是另一个类。

我训练了两个模型。第二个模型我使用过采样方法来平衡训练数据集。两个模型中从未接触过测试数据集。以下是测试数据集的记录值。

我的问题是：

为什么recall值提高了，但precision-recall曲线没有变化？

尝试在同一图中绘制两个训练片段的精度-召回率曲线。那么你一定会明白为什么会发生这种情况。并澄清一下，对于 TP 的情况，[1 或 0] 类是什么？。如果它是 1 那么它是有道理的，因为类平衡通常也会增加 FP 值，我们调用平衡来增加分布中稀有类的召回值。

我可以说，如果我选择一个合适的阈值，第一个模型和第二个模型一样好吗？

这是我们进行混淆矩阵分析的原因之一。特别是在二元分类的情况下，它计算与边界[1和0]相关的损失，与实际的类分离值无关。因此，您可以用类分离值检查recall和recall-precision AUC值。

我应该关注哪个评估矩阵？

这取决于您的案例领域；考虑所需的灵敏度和特异性值，选择最佳模型。