python通过tp,fp,fn计算pr以及AP

PR指的是精确率（Precision）和召回率（Recall）的曲线，AP指的是平均精度（Average Precision）。

首先，我们需要计算出每个不同的阈值下的TP、FP和FN的数量，可以使用如下代码：

def compute_counts(true_labels, pred_scores, threshold):
    tp, fp, fn = 0, 0, 0
    for i in range(len(true_labels)):
        if pred_scores[i] >= threshold and true_labels[i] == 1:
            tp += 1
        elif pred_scores[i] >= threshold and true_labels[i] == 0:
            fp += 1
        elif pred_scores[i] < threshold and true_labels[i] == 1:
            fn += 1
    return tp, fp, fn

其中，`true_labels`是一个包含0和1的列表，表示每个样本的真实标签；`pred_scores`是一个列表，表示每个样本的预测分数；`threshold`是阈值，表示分数大于等于该阈值的样本被视为正例。

接下来，我们可以计算出每个不同的阈值下的精确率和召回率：

def compute_pr(true_labels, pred_scores):
    thresholds = sorted(set(pred_scores), reverse=True)
    pr = []
    for threshold in thresholds:
        tp, fp, fn = compute_counts(true_labels, pred_scores, threshold)
        precision = tp / (tp + fp) if tp + fp > 0 else 0
        recall = tp / (tp + fn) if tp + fn > 0 else 0
        pr.append((precision, recall))
    return pr

其中，`thresholds`是一个列表，包含了所有不同的阈值，按照从大到小的顺序排列；`pr`是一个列表，包含了每个不同的阈值下的精确率和召回率。我们可以使用这个函数来计算PR曲线。

最后，我们可以使用下面的代码来计算AP：

def compute_ap(pr):
    ap = 0
    for i in range(len(pr) - 1):
        ap += (pr[i+1][1] - pr[i][1]) * (pr[i][0] + pr[i+1][0]) / 2
    return ap

其中，`pr`是一个包含了每个不同的阈值下的精确率和召回率的列表。我们可以使用这个函数来计算AP。