什么是精确召回曲线的良好AUC？

因为我的数据集非常不平衡（9％的积极结果），所以我决定精确召回曲线比ROC曲线更合适。我获得了PR曲线下面积的类似汇总度量值（如果您有兴趣，则为.49），但是不确定如何解释它。我听说.8或以上才是ROC的一个好AUC，但是对于精确召回曲线而言，AUC的一般截止点会是一样的吗？

有没有神奇的截止对于任何AUC-ROC或AUC-PR。越高显然越好，但这完全取决于应用程序。

例如，如果您可以成功地识别AUC为0.8的有利可图的投资，或者就此而言，任何与偶然性区分开的东西，我都会印象深刻，您会变得非常富有。另一方面，使用0.95的AUC对手写数字进行分类仍然大大低于当前的技术水平。

此外，尽管保证了最佳的AUC-ROC处于[0,1]，但对于精确调用曲线而言却并非如此，因为PR空间可能存在“无法到达”的区域，具体取决于类分布的倾斜程度。（有关详细信息，请参见Boyd等人（2012）的这篇论文）。

.49不太好，但其解释与ROC AUC不同。对于ROC AUC，如果您使用logistic回归模型获得了0.49，我想说您做的并不比随机做的好。对于.49 PR AUC，它可能还不错。我会考虑查看个人的精确度和召回率，也许其中之一是导致您的PR AUC下降的原因。回忆会告诉您您实际上猜测正确的那9％的积极程度中有多少。精确度会告诉您您有多少猜测是肯定的。（误报）。50％的召回率是不好的，这意味着您不会猜到很多不平衡的类，但也许50％的准确率也不错。取决于您的情况。

在您的情况下，随机估计量的PR-AUC为0.09（阳性结果的9％），因此0.49肯定是一个实质性的增长。

如果这是一个好的结果，则只能与其他算法进行比较评估，但是您没有提供所使用方法/数据的详细信息。

此外，您可能需要评估PR曲线的形状。理想的PR曲线从左上角水平到右上角，然后一直向下到右下角，从而PR-AUC为1。在某些应用中，PR曲线在开始时显示出强烈的尖峰，然后迅速再次下降到“随机估算器线”（您的情况下为0.09精度的水平线）附近。这将表明可以很好地检测到“强”的积极结果，但是对于不太清楚的候选人却表现不佳。

如果要为算法的截止参数找到合适的阈值，则可以考虑PR曲线上最接近右上角的点。甚至更好，如果可能，请考虑交叉验证。您可能会为特定的截止参数获得精度和调用率值，这些值对您的应用程序比PR-AUC的值更有趣。比较不同算法时，AUC最有趣。