首先了解一下二分类中的pr曲线是怎么画的？
“p” 是precition，是查准率，也是我们常用到的准确率。
“r” 是recall，是查全率，也叫召回率。
上图为测试结果的混淆矩阵，表示一个数据集上的所有测试结果。
其中竖列均为测试结果，即分类器预测概率大于0.5为正类，小于0.5即为负类。
横列表示groundtruth，即真实的类别。
TP 表示正确分出正例的数量；
FN 表示把正例错分为反例的数量；
TN 表示正确分出反例的数量；
FP表示把反例错分为正例的数量。
准确率： P = TP /（TP+FP）
召回率： R = TP / (TP+FN)
我们根据预测结果只能够求出一组 “p” 值和 “r” 值，那是因为我们默认把阈值设置成了0.5，大于0.5就是正例，反之就是反例
假如说我们有一组飞机和大雁的图片集，我们想从中找出飞机的图片。
此时飞机就是正例，大雁或者说其它就是反例。
之后我们算出所有图片经测试为飞机的概率，（当然这里有两组概率，为飞机或者为大雁，这时我们不管为大雁的概率，只关注为飞机的概率），并从大到小进行排序。
蓝色虚线是我们设置阈值为0.5时候的分类情况，大于0.5是测试为飞机的概率，小于0.5是测试不为飞机的概率。
当阈值变小时，更多样本会被测试成飞机，虚线下移。假设取极限，阈值为0，那么所有样本都会被预测为飞机，召回率最大，为1；而精确率为 5/10 等于0.5。同理，阈值变大，虚线上移，精确率会变高，但召回率反而变低。
在设置阈值的时候，有两种方法：
1、从0-1之间按照等间隔设置，比如0，0.1，0.2，…，0.9，1.0。这样能得到10组 “p” “r” 值。当然也可以把间隔设置的小一点，可以得到更多组 “p” “r” 值。
2、把所有样本的概率预测值从小到大排序去重，并以此数列分别为阈值，进行计算 “p" “r” 值，可以得到更多组 “p” “r” 值。
