精确调用曲线（PR曲线的AUC）和平均精确度（AP）下的面积

平均精度（AP）是精度调用曲线（PR曲线的AUC）下的面积吗？

编辑：

这里有一些关于PR AUC和AP差异的评论。

AUC通过精度的梯形插值获得。另一种通常通常等效的指标是平均精度（AP），以info.ap返回。这是每次召回新的阳性样本时获得的精度平均值。如果精度是由常数段内插的，则它与AUC相同，并且是TREC最常使用的定义。

http://www.vlfeat.org/overview/plots-rank.html

此外，scikit-learn中的auc和average_precision_score结果不相同。这很奇怪，因为在文档中我们有：

根据预测分数计算平均精度（AP）该分数对应于精度调用曲线下的面积。

这是代码：

# Compute Precision-Recall and plot curve
precision, recall, thresholds = precision_recall_curve(y_test, clf.predict_proba(X_test)[:,1])
area = auc(recall, precision)
print "Area Under PR Curve(AP): %0.2f" % area  #should be same as AP?

print 'AP', average_precision_score(y_test, y_pred, average='weighted')
print 'AP', average_precision_score(y_test, y_pred, average='macro')
print 'AP', average_precision_score(y_test, y_pred, average='micro')
print 'AP', average_precision_score(y_test, y_pred, average='samples')

对于我的分类者来说，我有类似的东西：

Area Under PR Curve(AP): 0.65
AP 0.676101781304
AP 0.676101781304
AP 0.676101781304
AP 0.676101781304

简短的答案是：是。平均精度是用于汇总精确度-调用曲线的单个数字：

您可以使用以下公式近似积分（曲线下的面积）：

请查看此链接以获取良好的解释。

average_precision_score 函数期望置信度或概率为第二个参数。

所以您应该按以下方式使用它，

average_precision_score(y_test, clf.predict_proba(X_test)[:,1])

然后是auc功能相同的结果。